KOMPLEXNÍ MODELY FYZIOLOGICKÝCH SYSTÉMŮ JAKO

Transkript

TEORETICKÝ PODKLAD PRO LÉKAŘSKÉ VÝUKOVÉ SIMULÁTORY
TEORETICKÝ PODKLAD PRO VÝUKOVÉ SIMULÁTORY
Jiří Kofránek
Anotace
Pro výuku lékařského rozhodování mají velký význam komplexní výukové
simulátory, zahrnující modely nejen jednotlivých fyziologických subsystémů, ale i jejich propojení do komplexnějšího celku. Lékařské simulátory se
v poslední době staly i žádaným komerčním artiklem. Objevily se i v nabídce
řady specializovaných komerčních firem. Tak například americká společnost
Advanced Simulation Corporation, vyrábějící letecké simulátory, se od roku
1993 věnuje též vývoji lékařských simulátorů (http://www.advsim.com). Uživatelským rozhraním výukových simulátorů nemusí být jen obrazovka počítače.
Může jím být i počítačem řízená figurína pacienta.
Sofistikované simulátory s figurínou pacienta např. nabízejí firmy Lardeal
(http://www.laerdal.com/) a METI (http://www.meti.com/). Výukový trenažér
je, obdobně jako u leteckých pilotních simulátorů, řízen ze stanoviště operátora, odkud učitel může ovládat simulovaného pacienta a volit mezi nejrůznějšími scénáři simulovaných onemocnění. Jádrem výukových simulátorů
je komplexní model fyziologických regulací lidského organismu, propojený
s hardwarovým simulátorem. Jeho podrobná struktura (soustava použitých
rovnic a příslušné hodnoty parametrů) obvykle není zveřejňována a stává se
pečlivě chráněným technologickým know-how. Existují také ale i open source modely integrovaných fyziologických systémů. Jedním z nich je rozsáhlý
model Colemana a spol. Hummod (http://hummod.org) implementovaný
pomocí téměř tří tisíc XML souborů. Naše implementace modelu v jazyce
Modelica přinesla mnohem průzračnější a zřetelnější popis modelovaných
fyziologických vztahů. Odhalili jsme také několik chyb v původním modelu,
model jsme modifikovali a rozšířili zejména v oblasti modelování acidobazické
homeostázy prostředí. Naše implementace modelu HumMod (http://physiome.
cz/hummod) bude sloužit teoretickým podkladem pro výukové simulátory.
Při jejich implementaci budeme využívat naši technologii tvorby webových
simulátorů.).
Klíčová slova:
Modelování, Modelica, open source, simulátory, virtuální pacient, výuka
1. Schola ludus pro 21. století
„Co slyším, to zapomenu, co spatřím, to si pamatuji, co dělám, tomu rozumím“
– tuto starou čínskou moudrost potvrzují i moderní metody učení nazývané
někdy jako „learning-by-doing“, kde mají velké uplatnění simulační hry. Simulační hrou je možné bez rizika otestovat chování simulovaného objektu – např.
zkusit přistávat virtuálním letadlem nebo, v případě lékařských simulátorů, léčit virtuálního pacienta, či testovat chování jednotlivých fyziologických
subsystémů.
73
Jiří Kofránek
Spojení internetu a interaktivního multimediálního prostředí se simulačními
modely přináší zcela nové pedagogické možnosti zejména pro vysvětlování
složitě provázaných vztahů, pro aktivní procvičování praktických dovedností
a pro ověřování teoretických znalostí. V zapojení multimediálních výukových her
do výuky nachází své moderní uplatnění staré krédo Jana Amose Komenského
„Schola Ludus“ – tj. „škola hrou“ [12], které tento evropský pedagog razil již v 17.
století.
Simulační hry pro výuku medicíny jsou tématem nabídky řady komerčních
firem.Vedle komerčních simulátorů lze na internetu najít i volně dostupné
výukové simulátory jednotlivých fyziologických subsystémů. Tak například
simulátor ECGsim (http://www.ecgsim.org/) umožňuje studovat tvorbu a šíření
elektrického potenciálu v komorách srdce a studovat mechanismus vzniku EKG
za různých patologií [76]. Tlakově oběhové křivky v komorách srdce při různých
patologiích umožňuje sledovat simulátor srdce z Columbia Univerzity (http://
www.columbia.edu/itc/hs/medical/heartsim), [4]. Simulátory anesteziologických
přístrojů z University of Florida umožňují dávat anestézii virtuálnímu pacientovi
(http://vam.anest.ufl.edu/). Přenos krevních plynů a acidobazické parametry
jsou tématem simulátoru OSA (Oxygen Status Algorithm), určeného pro
výuku i klinickou praxi [71] (http://www.siggaard-andersen.dk). Činnost neuronu
a neuronových sítí umožňuje studovat simulační program NEURON z Yale
University (http://www.neuron.yale.edu) [5,27]. Výukový simulátor AIDA (http://
www.2aida.net/) modeluje virtuálního diabetického pacienta a umožňuje
sledovat vliv dávkování různých druhů inzulinu při zadaném příjmu potravy
na glukózový metabolismus [57,65]. Jedním z výsledků našeho úsilí v této
oblasti je internetový Atlas fyziologie a patofyziologie koncipovaný jako
volně dostupná multimediální výuková pomůcka, která názornou cestou
prostřednictvím Internetu s využitím simulačních modelů vysvětluje funkci
jednotlivých fyziologických systémů, příčiny a projevy jejich poruch –
http://physiome.cz/atlas. [42,43,48].
2. Trenažéry pro výuku medicíny
Rozhraním výukových simulátorů nemusí být jen obrazovka počítače
(Obrázek 1). Pokrok v technologii haptického snímání a v zobrazování virtuální
reality přinesl novou třídu simulátorů určenou pro nácvik chirurgických
technik [15,55,59,68]. Rozvíjí se trh lékařských simulátorů, určených k procvičování
praktického provádění některých zdravotnických úkonů (kardiopulmonální
resuscitace, katetrizace, endoskopie, intubace pacienta apod.) na figuríně
pacienta. Stále více se však objevuje v nabídce i řada hardwarových trenažérů
určených zároveň i k procvičování lékařského rozhodování [23,58]. Např. norská
firma Laerdal (http://www.laerdal.com/) vyrábí sadu robotizovaných simulátorů,
včetně simulátoru SimBaby úpěšně využívaného jako lékařský trenažér
pro péči o novorozence a kojence [69]. Trenažéry Laerdal se osvědčily nejen
ve výuce lékařů, ale i ve výuce sester [6]. Dalším úspěšným výrobcem je americká
firma METI (http://www.meti.com), jejíž robotizované trenažéry jsou velmi
efektivní (i když nákladnou) výukovou pomůcka pro výcvik anesteziologů
a zdravotnických týmů zejména v oblasti medicíny akutních stavů [16,70].
74
Obrázek 1 – Trenažéry, využívajcící robotizovanou figurínu pacienta umožňují nový
způsob výuky lékařského diagnostického a terapeutického rozhodování s využitím virtuální reality. Vlastní trenažér je řízen ze stanoviště operátora, odkud učitel může ovládat simulovaného pacienta a volit mezi nejrůznějšími scénáři. Za úspěchem lékařských
simulátorů stojí rozsáhlý simulační model integrovaných fyziologických systémů
na pozadí. U komerčních simulátorů podrobná struktura modelu (tj. soustava použitých rovnic a příslušné hodnoty parametrů) obvykle není zveřejňována a stává se pečlivě
chráněným technologickým know-how
Lékařské trenažéry umožňují, obdobně jako letecké trenažéry, zcela nový
způsob výuky, kdy si student, bez nebezpečí pro pacienta může ve virtuální
realitě procvičovat diagnostické a terapeutické úkony. Vlastní trenažér je,
obdobně jako u leteckých pilotních simulátorů, řízen ze stanoviště operátora,
odkud učitel může ovládat simulovaného pacienta a volit mezi nejrůznějšími
scénáři simulovaných onemocnění. Veškeré akce studentů jsou monitorovány
a simulátor poskytuje podklady pro pozdější rozbor (debriefing) diagnostického a terapeutického postupu studentů [8].
Jak, zvláště v poslední době, upozorňuje řada autorů, výuka se simulátorem
klade citelně vyšší nároky na vyučujícího, než klasická výuka. Při správném
využití simulátoru, je však pedagogický efekt velmi výrazný, zvláště v takových
oblastech, kde je rychlé a správné rozhodování velmi důležité, například
v medicíně akutních stavů a v anesteziologii [3,13,29,30,61,67,79].
Obdobně, jako je teoretickým základem leteckého simulátoru model letadla,
základem lékařských výukových simulátorů je dostatečně věrný model fyziologických systémů lidského organismu. Jeho podrobná struktura (soustava
rovnic a hodnoty parametrů) není obvykle u komerčních trenažérů zveřejňována a stává se pečlivě chráněným technologickým know-how.
75
Jiří Kofránek
3. Integrativní fyziologie
Modely, které jsou teoretickým podkladem lékařských trenažérů, zahrnují
matematické modely nejen jednotlivých fyziologických subsystémů, ale
i jejich propojení do komplexnějšího celku. Oblast fyziologického výzkumu,
zabývající se studiem propojených fyziologických subsystémů organismu
bývá nazývána „integrativní fyziologie“ [10]. Obdobně jako se teoretická
fyzika formálními prostředky snaží popsat fyzikální realitu a vysvětlit výsledky
experimentálního výzkumu, tak se i „integrativní fyziologie“ snaží vytvořit
formalizovaný popis propojených fyziologických regulací a vysvětlit jejich
funkci u zdravého člověka i při rozvoji nejrůznějších onemocnění.
Jedním z prvních rozsáhlých matematických popisů fyziologických funkcí
propojených subsystémů organismu byl formalizovaný popis regulace oběhu
s návaznostmi na další fyziologické subsystémy, který v roce 1972 publikoval
A.C. Guyton se dvěma spoluautory [19]. Článek se již na první pohled naprosto vymykal navyklé podobě fyziologických článků té doby. Jeho podstatnou
část tvořilo rozsáhlé schéma na vlepené příloze, vzdáleně připomínající nákres
nějakého elektronického zařízení. Avšak místo elektronických součástek zde
byly zobrazeny propojené výpočetní bloky (násobičky, děličky, sumátory, integrátory, funkční bloky), které symbolizovaly matematické operace prováděné
s fyziologickými veličinami. Místo vypisování soustavy matematických rovnic
se v článku využívalo grafické znázornění matematických vztahů. Celé schéma
tak představovalo formalizovaný popis fyziologických vztahů pomocí graficky
vyjádřeného matematického modelu (Obrázek 2).
Autoři tímto tehdy naprosto novým způsobem pomocí graficky vyjádřených
matematických symbolů popisovali fyziologické regulace cirkulačního systému a jeho širší fyziologické souvislosti a návaznosti na ostatní subsystémy
organismu Komentáře a zdůvodnění formulací matematických vztahů byly velmi stručné. Později, v roce 1973, a pak ješte v roce 1975 vyšly monografie [20]
kde byla řada použitých přístupů vysvětlena podrobněji.
Guytonovu grafickou notaci formalizovaného popisu fyziologických vztahů záhy převzali i jiní autoři – např. Ikeda a spol. [28] v Japonsku nebo výzkumná skupina Amosova v Kijevě [2]. Grafický zápis matematického modelu prostřednictvím sítě propojených bloků byl ale v době svého vzniku pouhým
obrazovým znázorněním – Guytonův model i jeho další modifikace (stejně
jako i modely dalších autorů, kteří Guytonovu vyjadřovací notaci přejali) byly
implementovány ve Fortranu a později v jazyce C++.
Guyton a jeho spolupracovníci a žáci model nepřetržitě dále rozvíjeli [64,7].
Guytonův model byl inspirací i podkladem pro vytvoření složitých komplexních
modelů fyziologických regulací sloužících pro vysvětlení kauzálních řetězců
reakcí organismu na nejrůznější podněty a i pro pochopení rozvoje různých
patologických stavů. Modifikovaný Guytonův model se mimo jiné stal
jedním ze základů pro rozsáhlý model fyziologických funkcí v programu
„Digital Astronauts“ NASA [80].
76
NON-MUSCLE OXYGEN DELIVERY
VASCULAR
STRESS
RELAXATION
MUSCLE BLOOD FLOW CONTROL AND PO2
260
57.14
02M
512
u^3
263
238
225
POT^3
224
252
248
GF3
197
1
VVE
PDO
211
188
189
AHM
1
10
214
182
184
lower limit 3
PRA
0
177
178
179
CNE
10
REK
PPC
1
s
0.0007
2
AM
1
1
AHY
180
AHZ
AH7
AHM
1
1.211
28
0.14
AH
2.5
CNX
0.025
RFN
100
0.3333
CN8
139
0.001
1.211
RBF
183
176
1
CNA
142
222
CNR
RBF
AOM
1
1
s
CNZ
175
NOD
0.1005
213
207
1.2
AUM
1
0.9899
AH1
u
158A
NOD
221
6
CNY
AM
AHM
1.2
lower limit 0.35
PVO
AMM
AHC
185
0.0785
187
AH2
6
AHM
GP3
upper limit 15.0
lower limit 0.4
RFN
RFN
40
6
1
0.1
215
APD
lower limit 0
1
1
186
AH4
216
1
201
1
40
TVD
0.001003
210
1
202
1.5
ARF
195
0.3
249
EXC
191
0.009
220
AAR
0.08
512
0
190
AM
1
POM
243
8
TVD
lower limit 0
Z11
AHM
0.01
GF3
1
s xo
VIM
196
0.5
250
244
1
u^3
122
0.0125
7.999
62
203
algebraic
loop
breaking
VIM
0.01095
4
Z10
1
0.301
60
P3O
242
P3O^3
PM5
PMO
HM
194
STH
8.25
1.002
217
5
GF4
8.0001
234
233
0.5
VPF
VV7
VV1
1
RMO
57.14
PVO
223
193
1
STH
0.001008
219
1
GLP
31.67
VV7
VV2
lower limit .005
200
2.86
51.66
18
251
VUD
0.001
1000
209
PPC
63
POE
1
241
232
OVA
2.8
8
POT
lower limit 0.0003
212
AAR
198
33
VV6
7.987
192
POT
8
VUD
TRR
0.8
AAR
0
AOM
P2O
upper limit 8
1
BFN
40
QO2
0.00333
235
THIRST AND DRINKING
218
GFR
208
0.00781
PFL
EVR
199
1
8
DVS
OSA
255
HM
xo
271
1
s
272
POT
1 xo
s
200
206
0.125
1
s
VV7
247
P2O
2400
Xo
GFN
205
200
65
SRK
61
2400
271
u^3
KIDNEY DYNAMICS AND EXCRETION
RR
1
1
253
0.25
-1
0.7
231
5
265
AMM
1
s xo
1
PM4
256
MO2
8.0001
upper limit 8
236
QOM
1
s xo
OVA
DOB
264
254
02A
0.15
u^2
64
5
BFM
5
P40^3
P1O
237
PK3
PM1^2
246
230
198.7
P4O
266
AU
1
lower limit .001
2500
226
OVA
257
40
2688
lower limit 50
245
PMO
239
PK1
258
40
POV
RDO
267
PM3
240
800
229
5
RMO
5
262
POT
PK2
227
POV
270
268
228
BFM
1
259
0.7
261
AOM
1
1
s xo
OSV
168
269
181
AU
AH8
1
lower_limit_0
1
NON-MUSCLE LOCAL BLOOD FLOW CONTROL
40
POV
277
278
1
s
POB
276
274
275
POD
273
ARM
AK1
1
POK
lower limit 0.2
1
40
285
AR3
AR1
1
s
xo
A2K
1
lower limit 0.5
VIM
1
31
11520
288
0.3
1
289
1
33
0.33
lower limit 0.3
A3K
VAS
2.95
2
RSN
1
PA
VAE
xo
0.85
POZ
AR3
1
xo s
32
1
s
if (POD<0) {POJ=PODx3.3}
1
s
BFN
PGS
VVS
29
5
30
HSL
LVM
QLN
QAO
298
295
54
302
1
303
AUC calculation
57
304
52
0
PP2
50
0
AUN CALCULATION
1
311
AUJ
AU
314
1.001
312 AUL
AUV
0.30625
1
AUY
318
0.5
319
1
AUH
1
1
AUH
150
0.4667
GP2
1.001
AVE
1
28
136
15
0.55
146
151
139
32
327
PRA
152
0.5
1
AU
0.0125
DFP
142 VPF
PPI = 2 - (0.15/VPF)
333
352
HPR
347
0.01252
0.1
335
HM
57600
343
40
93
94
u^2
5
123
PGC
PGR
upper limit 1
99
1
1
HPL
1
xo s
0.25
119
1
xo s
2130
0.1
CNA
118
NED
NAE
HMD
HPR
90
CHY
HYL
-5.9
142.1
116
142
PGH
PTS
89
57
CNA
NID
PTC
1
xo s
0.00042
117
PGP
VG
1
1
349
5
1
126
PIF
57600
348
344
VB
2
124
CKE
125
CHY^2
PG2
95
HMD
334
VRC
VRC
RC2
KE
REK
NOD
1
s
40
100
VPF
1
xo s
75
120
96
V2D
xo
1
1600
RKC
-4.842e-010
1
xo s
0.00014
122
KED
0.013332
KOD
1
0.4
2
0.0000058
143
2-(0.15/u)
DFP
0
121
KID
140
AM
1
KCD
0.0028
11.4
VGD
100
98
DHM
342
336b
VRC
PPI
PLF
1
5
113
1
s
(u/12)^2
0.0025
351
PP3^0.1
1
HM
11
PFI
1
141
1
HEART RATE AND STROKE VOLUME
u^0.625
HPL
1
s
144
0.0003
40
HMD
5
PP3
346
PA4^0.625
xo
2
xo
CPF
0
321
324
RCD
332
2850
KE1
CKE
97
u^0.625
1
s
KIR
127
0.013
xo
PTT = (VTS/12)^2
6
PTT
PPA4
336
128
129
KIE
KCD
VG
101
85
350
345
130
3550
HM2
40
336c
PPO
140
QLO
325
0.0003
2
11.99
POT
15
1
xo
GPR
VTS
PPA
HSR
100
340
KI
1
s
1
s
10
VG
8
15
PA
1
341
RC1
331
PLF 145
337
POS
PLF
PPI
322
323
HR
100
HSL
VIE
0.00092
PPD
0
VIC
1
xo s
25
131
171
112
xo
464e-7
330
7.866e-008
148
PPN
POS
1.5
lower limit 0.2375
POY
0.375
PPD
SVO
338
0.333
0.4
xo
147
PPC
VID
0.01
CNA
GPD
-6.3
88
0
86
VTS
PO2
VPF
1
s
0.000225
138
AVE
135
PTS = f(VIF)
VIM
1
8.25
PPR
149
137
AUM
0
VIC
PIF
PTS
0
12
339
VID
134
CCD
132
20
0.9897
VIM
POT
329
PO1
CPN
CPP
133
111
0.0005
87
VIF
12
xo
1
s
8
70
PPA
PCP
326
3.454e-006
110
VID
VTD
84
0
VVR
PPC
320
1
0.07039
VIF
CKI
83
VTC
CIRCULATORY DYNAMICS
PLA
2.949
AUTONOMIC CONTROL
328
IFP
1
xo s
12
VTL
VPA
0.0048
1
VVR
2.95
0.7
1
ALDOSTERONE CONTROL
GP1
103
DPI
GPD
VV9
313
AUD
315
lower limit 6
9
PTT
20
104
102
DPL
3.159
AU
0.3
1
s
170
AMC xo
109
CPI
-6.328
PIF
DPC
0.04
0.1
0
0.21
0.85
166
0.04
0.25
14
0
AUJ^AUZ
316
AU9
0.15
SVO
PTC
169
60
KN1
CNA
142
105
165
CKE
5
xo
1
s
VRA
0.005
0.09925
0.00352
7.8
20.15
0.1
13
lower limit 4
15
PRA
PRA
0.38
0.002
1
s xo
uv
15
1
310
AUN
AUN
AUN calculation
317
1
171
-0.017
168
AM1
AMT
AMR
200
AMP = f(PA)
CPI
PRA
20
-4
QRN = f(PRA)
QRO
1
s
VPA
xo
when PA1<50: AUN=6
when 20>PA1<50: AUN=0.2*(50-PA1)
when PA1>=50: AUC=0
15
VRA
VPE
00
PLD
106
0.004
PIF
lower limit 5
108
DPL
0.002
5
PR1
QPO
18
19
20
21
PPA
VTL
5.038
12
DRA
QRN
0
22
PGL
u
AM2
AM3
167
AMP
DPL
107
PPA
15.22
PLA
RPT
172
19.8
10
0.03826
0.001899
VTL
1
RVM = f(PP2)
AUH 51
0.026
PPA
23
QPO
173
AM5
PA
100
QVO
PTC
AUH
6
AM
ANM
11
HSR
QRO
1
Z8
309
0
AUZ
AUM
1
1
1
16
308
xo
20.039
174
AM
1
HMD
HMD
RPT
AU2
0.0005
1
s
AU8
PA1
1.002
RVM
PL1
PLA
DAU
AUK
AUB^3
305
ANGIOTENSIN CONTROL
DPC
164
AUH
55
0.0357
20
DLA
24
301
u^3
AUB
AUB calculation
0.0384
20
3
3.004
VP
HPR
RPV
0.4
AU6
A1B
AUB CALCULATION
3
VTL
PR1
lower limit 0
when PA1<40: AUB=1.85718
AUB
when 40>PA1<170: AUB=0.014286*(170-PA1)
when PA1>=170: AUB=0
VP
1
xo s
RVG
1
56
1
xo
307
1
15
DPC
0.04
71
2.738
50
1.4
PP1
QLN = f(PLA)
AUC
1
s xo
158
0.1
ANT
49
48
sqrt
RPA
20
-4
AUC
PA1
152
PVS
0.6
QRF
RVM
53
QLN
0
QLO
159
157
AN1
4
CPA
VLA
1
s
VLA
when PA1<40: AUC=1.2
when 40>PA1<80: AUC=0.03*(80-PA1)
when PA1>=80: AUC=0
PA1
PLA
26
1
0.042
ANC
156
155
CNE
74
VPD
DFP
160
AN2
u
10
10
CP1
0.002
10
QLO
CNE
154
CNA
ANM
44
25
EXC
142
(1.2/RFN)^3
CPI
0
PVS
45
QLN
15
1
0.4
1.24
Z12
AUC CALCULATION
PA1
5
0
260
LVM = f(PA2)
47
28
VLE
0.1
8
296
297
EXE
P2O
CPP
PC^3
VUD
VRA
46
0
1
27
8
293
3
VLA
VPA
0.02244
0
100
POQ
0.001902
PA2
LVM
PLA
PLA
8
upper limit 8PA
lower limit 4
294
58
1.4
1
HMD
HPL
QLO
5.085
QLO
POT
POQ
74
10
75
70
0.001
VB
3.3
161
153b
(1.2/u)^3
TVD
0.001
VVS
VAS
291
PPC
AN3
4.0
REK
153a
RFN
1.2
69.77
u^3
VTC
PA
8
73
0.002
5
3.7
162
AN5
lower limit 0.7
ANM
210
CPP
60
59
1.004
1
s xo
1.6283e-007
CPK
DAS
292
PRP
0.4
16.81
PTC
lower limit 0.0001
0.0825
CV
QVO
28
VTC
PVS
VVS
2.8
PPC
69
0.007
PVS
VAS3
61
CPP
VP
CFC
PIF
9
VV8
VVE
0.3
QVO
100
8
163
1
ANM
80
70
62
72
VP
-6.3
3.781
7
xo
3.25
16.81
68
VB
VRC
VVR
6
DVS
0.04
DPP
2
VV7
0
PVS
5
DLP
0.00047
PC
5.004
17
0.3229
QAO
VBD
DPL
78
LPK
CPR
17
VB
5
PC
VVE
RBF
4
2.86
0.007
0
77
85
PC
RVS
1.2
BFN
99.96
0.00355
DP0
79
PPD
PVG
67
PVS
3.7
2.782
1.014
BFM
100
PA
0.495
66
BFN
2.8
BFM
PGS
34
AUM
284b
ANTIDIURECTIC HORMONE CONTROL
RVS
1.6379
0
39
17
2.9
1
POJ
41
CAPILLARY MEMBRANE DYNAMICS
2.9
1
s xo
0.2
0.0212
CN2
RV1
17
PAM
AUM
283
286
algebraic
loop
breaking
41A
RV1
43
1
3
284
POC
287
42
CN7
1.79
RVS
RSM
37
RAR
AUM
PAM
30.5
RAR
0.1
1
35
ANU
VIM
PON
20
AR2
1.6
38
36
ANU
AMM
VIM
RAM
96.3
AUM
RAM
1
ARM
40
1
1
1
290
279
280
AVE
lower limit 0.95
ARM
POR
0.06
1
POA
281
282
ANM
1
0.9457
xo
AR1
91
PIF
92
STH
0.1
1
VIC
0.0125
VPF
114
115
VEC
39.99
VTW
PRM
3
VP
VTW
24.2
1
12
VTS
0.0125
PULMONARY DYNAMICS AND FLUIDS
LIST OF VARIABLES
AAR-afferent arteriolar resistance [torr/l/min]
AHM-antidiuretic hormone multiplier, ratio of normal effect
AM-aldosterone multiplier, ratio of normal effect
AMC-aldosterone concentration
AMM-muscle vascular constriction caused by local tissue control, ratio to resting state
AMP-effect of arterial pressure on rate of aldosterone secretion
AMR-effect of sodium to potassium ratio on aldosterone secretion rate
AMT-time constant of aldosterone accumulation and destruction
ANC-angiotensin concentration
ANM-angiotensin multiplier effect on vascular resistance, ratio to normal
ANN-effect of sodium concentration on rate of angiotensin formation
ANP-effect of renal blood flow on angiotensin formation
ANT-time constant of angiotensin accumulation and destruction
ANU-nonrenal effect of angiotensin
AOM-autonomic effect on tissue oxygen utilization
APD-afferent arteriolar pressure drop [torr]
ARF-intensity of sympathetic effects on renal function
ARM-vasoconstrictor effect of all types of autoregulation
AR1-vasoconstrictor effect of rapid autoregulation
AR2-vasoconstrictor effects of intermediate autoregulation
AR3-vasoconstrictor effect of long-term autoregulation
AU-overall activity of autonomic system, ratio to normal
AUB-effect of baroreceptors on autoregulation
AUC-effect of chemoreceptors on autonomic stimulation
AUH-autonomic stimulation of heart, ratio to normal
AUK-time constant of baroreceptor adaptation
AUL-sensitivity of sympathetic control of vascular capacitance
AUM-sympathetic vasoconstrictor effect on arteries
AUN-effect of CNS ischemic reflex on auto-regulation
AUV-sensitivity control of autonomies on heart function
AUY-sensitivity of sympathetic control of veins
AUZ-overall sensitivity of autonomic control
AVE-sympathetic vasoconstrictor effect on veins
AlK-time constant of rapid autoregulation
A2K-time constant of intermediate autoregulation
A3K-time constant of long-term autoregulation
A4K-time constant for muscle local vascular response to metabolic activity
BFM-muscle blood flow [l/min]
BFN-blood flow in non-muscle, non-renal tissues [l/min]
CA-capacitance of systemic arteries [l/torr]
CCD-concentration gradient across cell membrane [mmol/l]
CHY-concentration of hyaluronic acid in tissue fluids [g/l]
CKE-extracellular potassium concentration [mmol/l]
CKI-intracellular potassium concentration [mmol/l]
CNA-extracellular sodium concentration [mmol/l]
CNE-sodium concentration abnormality causing third factor effect [mmo/l]
CPG-concentration of protein in tissue gel [g/l]
CPI-concentration of protein in free interstitial fluid [g/l]
CPN-concentration of protein in pulmonary fluids [g/l]
CPP-plasma protein concentration [g/l]
CV-venous capacitance [l/torr]
DAS-rate of volume increase of systemic arteries [l/min]
DFP-rate of increase in pulmonary free fluid [l/min]
DHM-rate of cardiac deterioration caused by hypoxia
DLA-rate of volume increase in pulmonary veins and left atrium [l/min]
RED CELLS AND VISCOSITY
DLP-rate of formation of plasma protein by liver [g/min]
DOB-rate of oxygen delivery to non-muscle cells [ml O2/min]
DPA-rate of increase in pulmonary volume [l/min]
DPC-rate of loss of plasma proteins through systemic capillaries [g/min]
DPI-rate of change of protein in free interstitial fluid [g/min]
DPL-rate of systemic lymphatic return of protein [g/min]
DPO -rate of loss of plasma protein [g/min]
DRA-rate of increase in right atrial volume [l/min]
DVS-rate of increase in venous vascular volume [l/min]
EVR-postglomerular resistance [torr/l]
EXC-exercise activity, ratio to activity at rest
EXE-exercise effect on autonomic stimulation
GFN-glomerular filtration rate of undamaged kidney [l/min]
GFR-glomerular filtration rate [l/min]
GLP-glomerular pressure [torr]
GPD-rate of increase of protein in gel [l/min]
GPR-total protein in gel [g]
HM-hematocrit [%]
HMD-cardiac depressant effect of hypoxia
HPL-hypertrophy effect on left ventricle
HPR-hypertrophy effect on heart, ratio to normal
HR-heart rate [beats/min]
HSL-basic left ventricular strength
HSR-basic strength of right ventricle
HYL-quantity of hyaluronic acid in tissues [g]
IFP-interstitial fluid protein [g]
KCD-rate of change of potassium concentration [mmol/min]
KE-total extracellular fluid potassium [mmol]
KED-rate of change of extracellular fluid potassium concentration [mmol/min]
KI-total intracellular potassium concentration [mmol/l]
HEART HYPERTROPHY OR DETERIORATION
KID-rate of potassium intake [mmol/min]
KOD-rate of renal loss of potassium [mmol/min]
LVM-effect of aortic pressure on left ventricular output
MMO-rate of oxygen utilization by muscle cells [ml/min]
M02--rate of oxygen utilization by non-muscle cells [ml/min]
NAE-total extracellular sodium [mmol]
NED-rate of change of sodium in intracellular fluids [mmol/min]
NID-rate of sodium intake [mmol/min]
NOD-rate of renal excretion of sodium [mmol/min]
OMM-muscle oxygen utilization at rest [ml/min]
OSA-aortic oxygen saturation
OSV-non-muscle venous oxygen saturation
OVA-oxygen volume in aortic blood [ml O2/l blood]
OVS-muscle venous oxygen saturation
O2M-basic oxygen utilization in non-muscle body tissues [ml/min]
PA-aortic pressure [torr]
PAM-effect of arterial pressure in distending arteries, ratio to normal
PC-capillary pressure [torr]
PCD-net pressure gradient across capillary membrane [torr]
POP-pulmonary capillary pressure [torr]
PDO-difference between muscle venous oxygen PO2 and normal venous oxygen PO2 [torr]
PFI-rate of transfer of fluid across pulmonary capillaries [l/min]
PFL-renal filtration pressure [torr]
PGC-colloid osmotic pressure of tissue gel [torr]
PGH-absorbency effect of gel caused by recoil of gel reticulum [torr]
PGL-pressure gradient in lungs [torr]
PGP-colloid osmotic pressure of tissue gel caused by entrapped protein [torr]
PGR-colloid osmotic pressure of interstitial gel caused by Donnan equilibrium [torr]
PIF-interstitial fluid pressure [torr]
PLA-left atrial pressure [torr]
TISSUE FLUIDS, PRESSURES AND GEL
PLD-pressure gradient to cause lymphatic flow [torr]
PLF-pulmonary lymphatic flow [torr]
PMO-muscle cell PO2 [torr]
POD-non-muscle venous PO2 minus normal value [torr]
POK-sensitivity of rapid system of autoregulation
PON-sensitivity of intermediate autoregulation
POS-pulmonary interstitial fluid colloid osmotic pressure [torr]
POT-non-muscle cell PO2 [torr]
POV-non-muscle venous PO2 [torr]
POY-sensitivity of red cell production
POZ-sensitivity of long-term autoregulation
PO2-oxygen deficit factor causing red cell production
PPA-pulmonary arterial pressure [torr]
PPC-plasma colloid osmotic pressure [torr]
PPD-rate of change of protein in pulmonary fluids
PPI-pulmonary interstitial fluid pressure [torr]
PPN-rate of pulmonary capillary protein loss [g/min]
PPO-pulmonary lymph protein flow [g/min]
PPR-total protein in pulmonary fluids [g]
PRA-right atrial pressure [torr]
PRM-pressure caused by compression of interstitial fluid gel reticulum [torr]
PRP-total plasma protein [g]
PTC-interstitial fluid colloid osmotic pressure [torr]
PTS-solid tissue pressure [torr]
PTT-total tissue pressure [torr]
PGV-pressure from veins to right atrium [torr]
PVG-venous pressure gradient [torr]
PVO-muscle venous PO2 [torr]
PVS-average venous pressure [torr]
QAO-blood flow in the systemic arterial system [l/min]
QLN-basic left ventricular output [l/min]
QLO-output of left ventricle [l/min]
QOM-total volume of oxygen in muscle cells [ml]
QO2-non-muscle total cellular oxygen [ml]
QPO-rate of blood flow into pulmonary veins and left atrium [l/min]
QRF-feedback effect of left ventricular function on right ventricular function
QRN-basic right ventricular output [l/min]
QRO-actual right ventricular output [l/min]
QVO-rate of blood flow from veins into right atrium [l/min]
RAM-basic vascular resistance of muscles [torr/l/min]
RAR-basic resistance of non-muscular and non-renal arteries [torr/l/min]
RBF-renal blood flow [l/min]
RC1-red cell production rate [l/min]
RC2-red cell destruction rate [l/min]
RCD-rate of change of red cell mass [l/min]
REK-percent of normal renal function
RFN-renal blood flow if kidney is not damaged [l/min]
RKC-rate factor for red cell destruction
RM0-rate of oxygen transport to muscle cells [ml/min]
RPA-pulmonary arterial resistance [torr/l/min]
RPT-pulmonary vascular resistance [torr/l/min]
RPV-pulmonary venous resistance [torr/l/min]
RR-renal resistance [torr/l/min]
RSM-vascular resistance in muscles [torr/l]
RSN-vascular resistance in non-muscle, n/minon-renal tissues [torr/l/min]
RVG-resistance from veins to right atrium [torr/l/min]
RVM-depressing effect on right ventricle of pulmonary arterial pressure
RVS-venous resistance [torr/l/min]
SR-intensity factor for stress relaxation
SRK-time constant for stress relaxation
ELECTROLYTES AND CELL WATER
STH-effect of tissue hypoxia on salt and water intake
SVO-stroke volume output [l]
TRR-tubular reabsorption rate [l/min]
TVD-rate of drinking [l/min]
VAS-volume in systemic arteries [l]
VB-blood volume [l]
VEC-extracellular fluid volume [l]
VG-volume of interstitial fluid gel [l]
VGD-rate of change of tissue gel volumes [l/min]
VIB-blood viscosity, ratio to that of water
VIC-cell volume [l]
VID-rate of fluid transfer between interstitial fluid and cells [l/min]
VIE-portion of blood viscosity caused by red blood cells
VIF-volume of free interstitial fluid [l]
VIM-blood viscosity (ratio to normal blood)
VLA-volume in left atrium [l]
VP-plasma volume [l]
VPA-volume in pulmonary arteries [l]
VPD-rate of change of plasma volume [l]
VPF-pulmonary free fluid volume [l]
VRA-right atrial volume [l]
VTC-rate of fluid transfer across systemic capillary membranes [l/min]
VTD-rate of volume change in total interstitial fluid [l/min]
VTL-rate of systemic lymph flow [l/min]
VTW-total body water [l]
VUD-rate of urinary output [l/min]
VV7-increased vascular volume caused by stress relaxation [l]
VVR-diminished vascular volume caused by sympathetic stimulation [l]
VVS-venous vascular volume [l]
Z8-time constant of autonomic response
Obrázek 2 – Guytonův grafický diagram regulace krevního oběhu z roku 1972 (nahoře) a naše Implementace diagramu v Simulinku (dole), která zachovává rozložení prvků
v původním grafickém schématu
77
Jiří Kofránek
4. Rozsáhlé modely pro výukové simulátory
Guyton si již na počátku sedmdesátých let uvědomoval velké možnosti
využívání modelů jako svébytné učební výukové pomůcky a v rámci tehdejších
možností výpočetní techniky se snažil modely uplatnit ve výuce. Při výuce
využíval své grafické schéma k vysvětlení základních vztahů mezi jednotlivými
fyziologickými subsystémy. Pro sledování jejich chování při adaptacích na
nejrůznější fyziologické i patologické podněty byl souběžně využíván model
implementovaný v jazyce Fortran na číslicovém počítači. Později, v roce
1982 Guytonův spolupracovník Thomas Coleman vytvořil model „Human“
určený především k výukovým účelům [9]. Model umožnil simulovat řadu
patologických stavů (kardiální a renální selhání, hemorhagický šok aj.) i vliv
některých terapeutických zásahů (infúzní terapii, vliv některých léků, transfúzi
krve, umělou plicní ventilaci, dialýzu atd.). V poslední době Meyers a Doherty
implementací v Javě původní Colemanův výukový model Human zpřístupnili
na webu [63].
V době publikování Guytonova modelu, v první polovině sedmdesátých let,
bylo uplatnění počítačových modelů ve výuce medicíny výsadou jen několika
univerzit a záviselo především na technickém vybavení a entuziazmu pracovníků příslušných fakult. Na Karlově univerzitě bylo takovým pionýrským pracovištěm Biokybernetické oddělení Fyziologického ústavu Fakulty všeobecného
lékařství UK v Praze, kde se v rámci fyziologie studenti seznamovali se základními pojmy teorie systémů, obecnými principy regulačních obvodů a jejich
aplikacemi na fyziologické regulace [81,82]. Studenti pracovali s modely implementovanými na analogových počítačích MEDA a později, když to technické
vybavení pracoviště dovolilo, i na terminálech číslicových počítačů [83].
V osmdesátých letech jsme se také pustili do vývoje vlastního rozsáhlého modelu propojených fyziologických regulací, zaměřeného především na modelování poruch homeostázy vnitřního prostředí. Model acidobazické rovnováhy
a přenosu krevních plynů [31] jsme rozšířili na komplexní model homeostázy
vnitřního prostředí [18,39,45,46,47]. Vytvořený model byl mimo jiné součástí širšího projektu využití matematických modelů lidského organismu v rámci sovětského kosmického výzkumu [78], obdobného americkému projektu NASA
„Digital Astronauts“ [80]. Některé subsystémy modelu našly své praktické
využití i pro výpočty některých klinicko-fyziologických funkcí prostřednictvím
identifikace modelu na měřená klinická data [44].
Námi vytvořený komplexní model vnitřního prostředí jsme se v polovině
osmdesátých let pokoušeli využít i ve výuce. Komunikace s modelem běžícím
na vzdáleném hardwaru se vedla přes alfanumerický terminál. Interaktivita
byla proto poněkud těžkopádná, výstupy byly pouze číselné a pseudografy vytvářené ze znakových sad nahrazovaly grafický výstup. Pedagogický efekt proto nakonec neodpovídal úsilí, které jsme věnovali jeho implementaci. K tvorbě
výukových simulátorů jsme se vrátili až v druhé polovině devadesátých let kdy
pokrok v informačních technologiích umožnil vytvářet výukové simulátory
prakticky využitelné ve výuce medicíny.
78
5. Modely a „simulační čipy“ v simulinkových sítích
Vytváření simulačních modelů dnes usnadňují specializovaná softwarová
prostředí. Jedním z nich je Matlab/Simulink od firmy Mathworks. Jeho
součástí je grafický simulační jazyk Simulink v němž pomocí počítačové
myši sestavujeme simulační model z jednotlivých komponent – jakýchsi
softwarových simulačních součástek, které propojujeme do simulačních sítí.
Simulinkové bloky jsou velmi podobné prvkům, které pro formalizované
vyjádření fyziologických vztahů použil Guyton. Rozdíl je jen v jejich grafickém
tvaru.
Tato podobnost nás mimo jiné inspirovala k tomu, abychom prostřednictvím
Simulinku vzkřísili starý klasický Guytonův diagram a převedli ho do podoby
funkčního simulačního modelu [32]. Vnější vzhled simulinkového modelu
jsme se snažili zachovat zcela stejný jako v původním grafickém schématu –
rozložení, rozmístění vodičů, názvy veličin i čísla bloků jsou stejné.
Simulační vizualizace starého schématu ale nebyla úplně snadná –
v originálním obrázkovém schématu modelu jsou totiž chyby (Obrázek – 3)!
V nakresleném obrázku to nevadí, pokusíme-li se ho ale oživit v Simulinku,
pak model ihned zkolabuje jako celek. Podrobný popis chyb a jejich oprav
je v [33,49].
Je zajímavé, že Guytonův diagram byl jako složitý obrázek mnohokrát
přetiskován do nejrůznějších publikací – v poslední době se objevil např. v [7.22,77].
Nikdo ale před námi na tyto chyby neupozornil a nedal si práci tyto chyby
odstranit. V době, kdy obrázkové schéma vznikalo, ještě neexistovaly kreslící
programy – obrázek vznikal jako složitý výkres – a ruční překreslování složitého
výkresu nebylo snadné. Možné je i to, že sami autoři modelu opravovat chyby ani
příliš nechtěli – kdo si dal práci s analýzou modelu, obrazové „překlepy“ odhalil,
kdo by chtěl jen tupě opisovat, měl smůlu. Konec konců, ve své době autoři
rozesílali i zdrojové texty programů svého modelu v programovacím jazyce
Fortran – takže pokud někdo chtěl pouze testovat chování modelu, nemusel
nic programovat. Námi vytvořená simulinková realizace (opraveného)
Guytonova modelu je zájemcům k dispozici ke stažení na adrese http://www.
physiome.cz/guyton. Na této adrese je i naše simulinková realizace mnohem
složitější verze modelu Guytona a spol. z pozdějších let. Zároveň je zde i velmi
podrobný popis všech použitých matematických vztahů se zdůvodněním.
Guytonův diagram i podle něj vytvořená simulinková síť jsou však na první
pohled dosti nepřehledné. Pro zvýšení přehlednosti je vhodné skrýt vlastní
aktivní prvky simulinkové kalkulační sítě (násobičky, děličky, integrátory,
sumátory apod.) do jednotlivých subsystémů, které jsou navenek v Simulinku
realizovány jako uživatelské bloky s příslušnými vstupy a výstupy. Celý model
se pak skládá z propojených bloků jednotlivých subsytémů, kde lze přehledně
vidět, pomocí kterých proměnných jsou jednotlivé subsystémy provázány,
zatímco algoritmus vlastního simulačního výpočtu je ukryt v simulinkové síti
uvnitř bloků.
79
Jiří Kofránek
Bloky je možné ukládat do knihoven jako uživatelem definované subsystémy.
Při tvorbě modelů je možné tyto bloky z knihovny vyjímat, propojovat je
a případně je seskupovat do bloků vyšší hierarchické úrovně.
&K\ED
&K\ED
$+&
$
$+
$+&
$
$+
2SUDYHQR
&
W G
&
G
2SUDYHQR
&K\ED
&K\ED
4$2
'96
492
996
9,(
+.0
+0
+0.
&K\ED
4$2
5&'
+.0
+0
+0.
5&
5&'
2SUDYHQR
+0
2SUDYHQR
Obrázek 3 – Oprava chyb v původním Guytonově diagramu
80
996
2SUDYHQR
9,(
'96
492
+0
5&
Simulation time
8
0
0
0.0405
0
0
15
108
1
1
0
0.03
0
0
66
0.001
0.0
5e-4
5e-4
0.007
3e-4
1.8
33.34
0.01
2.2
8.8
20
0.007
0.008
55
33
20
3
0.2
0.3
1
5.93
0.1531
1144
0.002
0.2
0.106
1e-9
5
2800
0.001
0.047
1540
49.5
100
0.2318
0.2591
760
0
3
0.21
0.52
0.155
0.0561
0.1473
0.025
0.024
0.01
12.1
11
66
0
20
176
154
70
200
0.0068
20
300
0.024
7.4
6
6
5
0.15
0
77.5
0
SIMTIME
ZUR
XURE
YURU
ZMNE
XMNE
YMNU
VA
GFR
ALD
ADH
THDF
STPG
YTA
YTA1
PHU
YNH4
YCO3
YCO3R
PICO
XPIF
ZPIF
ZPP
XPP
PPCO
ZPO4E
XPO4
YPO4
ZSO4E
XSO4
YSO4
ZORGE
XORGE
YORG
OSMP
UCO2V
UO2V
PCO2A
FCO2A
PO2A
FO2A
YNU
YNH
YND
XNE
ZNE
YNHI
YKHI
ZKI
ZKE
YKU
YKD
XKE
PIF
QLF
QWD
QWU
OSMU
ZCLE
XCLE
YCLU
QCO
PAP
PAS
PC
PVS
PVP
ZCAE
XCAE
YCA
ZMGE
XMGE
YMG
HB
HT
VB
VP
VEC
VIF
VTW
VIC
YINT
YGLS
YKGLI
ZGLE
XGLE
YGLU
A
STBC
BE
AH
PHA
SO2A
XCO3
UCO2A
UO2A
BEOX
BEEC
TBEOX
YCO3IN
YHIN
MRH
ZBEEC0
BEOX0
TYINT
XGL0
CGL1
CGL2
YINS
CGL3
YGLI
YINT0
ZGLE0
QIN
QVIN
QIWL
QMWP
CFC
CSM
VRBC
XHBER
VIN0
VP0
VIF0
VIC0
YCAI
YMGI
ZCAE0
ZMGE0
RTOT
RTOP
KL
KR
DEN
KRAN
YCLI
ZCLE0
QLF0
CPR
YNIN
CBFI
CHEI
ZKI0
CKEI
YKIN
ZNE0
ZKE0
ZHI0
MRCO2
MRO2
PBA
FCO2I
VAL
FO2I
UCO2V0
UO2V0
FCO2A0
FO2A0
YPO4I
YSO4I
YORGI
ZPO4E0
ZSO4E0
ZORGE0
YPLIN
ZPG0
ZPIF0
ZPP0
ZPLG0
TPHA1
YTA0
TPHU2
TPHU1
YNH40
PHA0
PHU20
PHU10
VA0
YURI
YMNI
ZUR0
ZMNE0
1
SIMTIME
10
<ZUR>
77.5
TBEOX
1
TBEOX
2
(=8.0)
Simulation TIme Clock
YCO3IN
0.1491
0
3
YHIN
4
<YURU>
YHIN
(=0)
<ZMNE>
MRH
MRH (=0.0405)
0
BEOX0
4.829
0.09937
7
TYINT
8
XGL0
1
9
CGL1
10
0.9864
CGL2
1.324
0.0379
0.01679
0.006795
11
YINS
12
CGL3
13
YGLI
5.987
0.024
14
YINT0
15
2.432
17
QVIN
18
5.062
20.25
<YMNU>
(=0)
<VA>
TYINT
(=15)
(=108)
<ALD>
CGL1
19
7
YMNU
8
9
GFR
10
ALD
(=1)
<ADH>
CGL2
(=1)
<THDF>
11
ADH
12
THDF
YINS
(=0)
CGL3
<STPG>
(=0.03)
13
STPG
<YTA>
YGLI
(=0)
<YTA1>
YINT0
<PHU>
(=0)
ZGLE0
(=0.01)
14
YTA
15
YTA1
16
<YNH4>
PHU
17
<YCO3>
YNH4
18
(=66)
QVIN
<YCO3R>
QIWL
QIWL (=5e-4)
20
CFC
3
5
ZMNE
6
VA
<GFR>
XGL0
<PICO>
YCO3
19
YCO3R
20
PICO
QMWP
(=5e-4)
QMWP
174.6
2
ZUR
4
YURU
XMNE
(=0)
BEOX0
ZGLE0
0.00132
<XMNE>
ZBEEC0
5
ZBEEC0
6
0
<XURE>
XURE
YCO3IN (=0)
2.5
<XPIF>
CFC
<ZPIF>
(=0.007)
21
XPIF
22
ZPIF
155.4
65.46
26.18
21
CSM
CSM
<ZPP>
(=3e-4)
VRBC
<XPP>
(=1.8)
<PPCO>
12.1
23
ZPP
22
VRBC
23
XHBER
XHBER
<ZPO4E>
(=33.34)
24
XPP
25
PPCO
26
ZPO4E
1.1
0.02485
11.04
24
VIN0
1.004
26
VIF0
27
66
6.001
0.009939
VIC0
28
YCAI
29
YMGI
30
286.9
(=0.01)
<YPO4>
25
VP0
0.01976
VP0
0.1513
0.1524
<XSO4>
(=8.8)
VIC0
<YSO4>
(=20)
(=0.007)
YMGI
<UCO2V>
<UO2V>
RTOT
(=20)
(=0.3)
1.568
38
YCLI
39
1539
-0.01998
ZCLE0
40
QLF0
41
0.003964
CPR
42
YNIN
2800
49.41
43
CBFI
44
CHEI
0.0523
0.1341
4.493
-2.98
45
ZKI0
46
CKEI
47
0.008878
YKIN
0.01267
0.001418
373.7
1144
104
0.1801
PCO2A
39
<PO2A>
<YNU>
<YNH>
<YND>
48
ZNE0
49
ZKE0
50
ZHI0
<XNE>
<ZNE>
YCLI
(=0.1531)
<YNHI>
ZCLE0
<YKHI>
(=1144)
QLF0
<ZKI>
(=0.002)
CPR
Inputs
Outputs
(=0.2)
<ZKE>
<YKU>
YNIN
<YKD>
(=0.106)
CBFI
(=1e-9)
CHEI
Golem Simulator
<XKE>
<PIF>
(=5)
ZKI0
(=2800)
CKEI
<QLF>
<QWD>
<QWU>
(=0.001)
<OSMU>
YKIN
(=0.047)
ZNE0
<ZCLE>
<XCLE>
(=1540)
(=49.5)
103.5
18
3.584
54
FCO2I
55
VAL
56
4.87
FO2I
55.01
0.004086
33.01
<PAP>
<PAS>
<PC>
4.174
61
2.374
62
YSO4I
63
YORGI
64
ZPO4E0
65
ZSO4E0
11
8.624
66
ZORGE0
67
YPLIN
31
20
68
ZPG0
69
0.0002205
0.0002205
6.614e-006
ZPIF0
70
ZPP0
71
ZPLG0
72
TPHA1
66
6.001
0
73
YTA0
74
TPHU2
847.5
24.58
75
TPHU1
76
0.02592
YNH40
77
PHA0
39.33
7.405
78
PHU20
79
0.9781
PHU10
24.49
0.4819
0.1987
0.01936
-0.03155
80
VA0
51
YKU
52
YKD
53
XKE
54
PIF
55
QLF
56
QWD
57
QWU
58
OSMU
59
ZCLE
60
FCO2I
<XCAE>
<YCA>
VAL
FO2I
<ZMGE>
<HT>
<VB>
<VP>
<VEC>
(=0.05)
<VIF>
<VTW>
(=0.04)
(=0.01)
<VIC>
<YINT>
ZSO4E0
<YGLS>
<YKGLI>
(=22)
ZORGE0
(=66.0)
<ZGLE>
ZPG0
(=176)
ZPP0
(=154)
ZPLG0
(=70)
YTA0
<A>
<STBC>
<BE>
<AH>
<PHA>
<SO2A>
<XCO3>
<UCO2A>
<UO2A>
(=20)
<BEOX>
TPHU1
(=300)
YNH40
(=0.024)
79
VIF
81
VIC
82
84
YKGLI
85
XGLE
87
(=0.0068)
TPHU2
78
VEC
80
VTW
83
YGLS
<XGLE>
TPHA1
(=200)
VB
77
VP
<YGLU>
(=20)
ZPIF0
HT
76
ZGLE
86
YPLIN
(=0)
74
HB
75
YINT
ZPO4E0
(=24.2)
71
YMG
<HB>
(=0.1473)
YORGI
69
XMGE
73
YPO4I
YSO4I
68
70
YCA
ZMGE
72
<YMG>
UO2V0
FO2A0
PC
66
67
PVP
<XMGE>
(=0.21)
(=0.155)
64
PAS
65
XCAE
(=0.0003)
(=3)
63
PAP
ZCAE
FCO2A0
YPO4I
14.38
0.4312
49
ZKI
50
ZKE
PVS
<PVP>
<ZCAE>
(=760)
59
FCO2A0 (=0.0561)
60
FO2A0
3.001
0.006252
46
ZNE
47
YCLU
62
(=100)
(=0.2591)
PBA
57
(=0.52)
UCO2V0
58
UO2V0
45
XNE
XCLE
61
MRO2
UCO2V0
5.002
44
YND
<QCO>
MRCO2
53
PBA
42
YNU
43
YNHI
48
YKHI
QCO
ZHI0
51
MRCO2 (=0.2318)
52
MRO2
41
FO2A
<YCLU>
ZKE0
<PVS>
5.174
20.52
FCO2A
40
PO2A
YNH
DEN(=1)
37
KRAN (=5.93)
140
36
UCO2V
37
<FCO2A>
KR
DEN
KRAN
1.842
35
OSMP
<PCO2A>
<FO2A>
KL
(=0.2)
36
XORGE
34
YORG
UO2V
38
RTOP
34
KL
31
YSO4
32
<OSMP>
33
RTOP (=3)
30
XSO4
ZORGE
33
<YORG>
(=55)
29
ZSO4E
<ZORGE>
(=0.008)
ZCAE0
35
KR
28
<XORGE>
YCAI
ZMGE0
32
105.9
0.1485
<ZSO4E>
VIF0
31
ZMGE0 (=33)
RTOT
39.31
0.05514
27
XPO4
YPO4
(=2.2)
ZCAE0
0.5244
<XPO4>
VIN0
YGLU
88
A
89
STBC
90
BE
91
AH
92
PHA
93
SO2A
94
XCO3
95
UCO2A
96
UO2A
97
BEOX
<BEEC>
98
BEEC
PHA0
(=7.4)
PHU20
(=6)
PHU10
(=6)
VA0
(=5)
YURI
81
YURI (=0.15)
YMNI
82
(=0)
YMNI
ZUR0
83
(=77.5)
ZUR0
ZMNE0
84
ZMNE0 (=0)
16
QIN
QIN
(=0.001)
GOLEM
Obrázek 4 – Matematický model, který je podkladem pro simulátor Golem byl
implementován jako speciální, hierarchicky uspořádaný simulinkový blok, který je
součástí veřejně přístupné knihovny Physiolibrary (http://www.physiome.cz/simchips).
Svojí strukturou připomíná elektronický čip
Jednotlivé simulinkové subsystémy představují jakési „simulační čipy“
skrývající před uživatelem strukturu simulační sítě, obdobně jako elektronický
čip ukrývá před uživatelem propojení jednotlivých tranzistorů a dalších
elektronických prvků. Uživatel se pak může zajímat pouze o chování čipu
a nemusí se starat o vnitřní strukturu a algoritmus výpočtu. Pomocí„simulačních
čipů“ lze snadněji testovat chování modelu a zejména přehledněji vyjádřit
vzájemné závislostí mezi proměnnými modelovaného systému. Celý složitý
model pak můžeme zobrazit jako propojené simulační čipy a ze struktury jejich
propojení je jasné, jaké vlivy a jakým způsobem se v modelu uvažují.
To je velmi výhodné pro mezioborovou spolupráci – zejména v hraničních
oblastech, jako je např. modelování biomedicínských systémů. Experimentální
fyziolog nemusí dopodrobna zkoumat, jaké matematické vztahy jsou
ukryty „uvnitř“ simulačního čipu, z propojení jednotlivých simulačních čipů
mezi sebou však pochopí strukturu modelu a jeho chování si může ověřit
v příslušném simulačním vizualizačním prostředí.[40].
81
Jiří Kofránek
XHB
TBEox
<TBEOX>
<BEOX>
BEOX
STBC
INPUTS:
BEOX - Base Excess in fully oxygenated blood [mmol/l]
HB - Hemoglobin concentration [g/dl]
PCO2A - CO2 tension in arterial blood [torr]
PO2A - Oxygen tension in arterial blood [torr]
BLOOD
ACID BASE
BALANCE
HB
ACID BASE METABOLIC BALANCE
A
<A>
INPUTS:
TBEOX - (*Time constant*)
VB (*Blood Volume [l]*)
HB (fore XHB) (*Blood hemoglobin concentration [g/100 ml]*)
A [11] - (* vector of coeficients, see "Blood Acid Base Balance" *)
pCO2A (*CO2 tension in arterial blood [Torr]*)
VEC (*Extracelular fluid volume [l]*)
yTA (*Renal excretion rate of titratable acid [mEq/min]*)
yNH4 (*Renal excretion rate of ammonium [mEq/min]*)
yCO3 (*Renal excretion rate of bicarbonate [mEq/min]*)
yKHi (*Potassium ions flow rate from ECF into ICF
exchanged with hydrogen ions [mEq/min]*)
yNHi (*Hydrogen ions flow rate from ECF into ICF
exchanged with sodium ions [mEq/min]*)
ACID BASE
METABOLIC
BALANCE
pCO2A
<PCO2A>
VEC
<VEC>
yTA
<YTA>
yNH4
<YNH4>
yCO3
<YCO3>
yKHi
<YKHI>
yNHi
<YNHI>
yCO3in
<YCO3IN>
BEox -
yHin
<YHIN>
BEox
HB
<HB>
BEOX
XHB
BLOOD ACID BASE BALANCE
VB
<VB>
<HB>
BE
OUTPUTS:
PHA
XHB - Vector of coefficients derived from hemoglobin concentration
STBC - Standard bicarbonate concentration [mmol/l]
BE - Base Excess concentration in arterial blood
SO2A
PCO2A
<PCO2A>
AH - Hydrogen ions concentration [nmol/l]
PHA - arterial plasma pH
XCO3A
SO2A - Oxygen hemoglobin saturation in arterial blood (expressed as ratio from 0 to 1)
XCO3 - Actual bicarbonate concentration in arterial blood
UCO2A - Content of CO2 in arterial blood [l STPD/l]
UCO2A
UO2A-Content of O2 in arterial blood [l STPD/l]
PO2A
<PO2A>
U(E)
U
A
<TYINT>
UO2A
<XGL0>
BE
AH
<CGL2>
<YINS>
<CGL3>
XCO3
UCO2A
<YGLI>
UO2A
<VEC>
<GFR>
BEEC
BEEC
yINS
CGL3
yKGLI
OUTPUTS:
yINT - insulin secretion [unit/min]
yGLS - glucose flow rate from ECF into cells [mEq/min]
yKGLI - K flow rate from ECF to ICF accompanying secretion of insulin [mEq/min]
zGLE - ECF glucose content [mEq]
xGLE - ECF glucose concentration [mEq]
yGLU - renal excretion rate of glucose [mEq/min]
yGLI
vEC
GFR
zGLE
xGLE
21.8.2001
Scope2
yGLU
<ZGLE0>
ZBEEC 0
YGLS
YKGLI
ZGLE
XGLE
YINT 0
ZGLE 0
YGLU
Blood Glucose Control
BEOX 0
<BEOX0>
yGLS
BLOOD
GLUCOSE
CONTROL
CGL2
Blood Acid Base Balance
OUTPUTS:
(** Base excess in fully oxygenated blood [mEq/l]*)
BEEC (*ECF Base excess concentration
YINT
BLOOD GLUCOSE CONTROL
INPUTS:
TYINT - time constant of insulin secretion
xGL0 - reference value of ECF glucose concentration
CGL1 - parameter of glucose metabolism
yINS - intake rate of insulin[unit/min]
yGLI - intake rate of glucose [g/min]
vEC - ECF volume [l]
GFR - glomerular filtration rate [l/min]
CGL1
SO2A
MRH
<ZBEEC0>
yINT
xGL0
PHA
<YINT0>
<MRH>
TYINT
Selector
STBC
<CGL1>
AH
Scope
Acid Base Metabolic Balance1
Acid base metabolic balance
Scope1
Blood acid base balance
Scope3
Blood glucose control
qIN
<QIN>
HB
qVIN
<QVIN>
HB
<VEC>
vEC
zCaE
ZCAE
VB
<VB>
QCO
QCO
qIWL
<QIWL>
CALCIUM AND MAGNESIUM BALANCE
BODY FLUID VOLUME BALANCE
qMWP
<QMWP>
qWU
<QWU>
qLF
<QLF>
CFC
<CFC>
pICO
<PICO>
pPCO
<PPCO>
pC
<PC>
pIF
<PIF>
CSM
<CSM>
xNE
<XNE>
xKE
<XKE>
INPUTS:
qIN - drinking rate [l/min]
qVIN - intravenous water input [l/min]
qIWL - insensible water loss [l/min]
qMWP - metabolic water production [l/min]
qWU - urine output [l/min]
qLF - lymph flow rate [l/min]
CFC - capillary filtration coefficient [l/min/torr]
pICO - interstitial colloid osmotic pressure [torr]
pPCO - plasma colloid osmotic pressure [torr]
pC - capillary pressure [torr]
pIF - interstitial pressure [torr]
CSM - transfer coeff. of water from ECF to ICF
xNE - ECF Na concentration [mEq/l]
xKE - ECF K concentration [mEq/l]
xGLE - ECF glucose conc. [mEq/l]
zKI - ICF K content [mEq]
vRBC - volume of red blood cells [l]
xHBER - hemoglobin concentration in the red blood cells [g/100 ml]
BODY FLUID
VOLUME
BALANCE
zKI
<ZKI>
vRBC
<VRBC>
xHBER
<XHBER>
<GFR>
VB
<YMGI>
vP
VP
<ZCAE0>
vEC
yCaI
xCaE
INPUTS:
yCaI - calcium intake [mEq/min]
yMgI -magnesium intake [mEq/min]
CALCIUM AND
MAGNESIUM
BALANCE
GFR
yCa
OUTPUTS:
zCaE - ECF calcium content [mEq]
xCaE - ECF calcium contentration [mEq/l]
yCa - calcium renal excretion rate [mEq/min]
zMgE - ECF magnesium content [mEq]
xMgE - ECF magnesium contentration [mEq/l]
yMg - magnesium renal excretion rate [mEq/min]
yMgI
zMgE
INITIAL CONDITIONS:
zCaE0 - ECF calcium content [mEq]
zMgE0 - ECF magnesium content [mEq]
zCaE0
xMgE
<RTOT>
XCAE
<RTOP>
zMgE0
yMg
VIF
vTW
CARDIOVASCULAR
BLOCK
KR
XMGE
<DEN>
YMG
PAS
OUTPUTS:
QCO - Cardiac output [l/min]
PAP - Pulmonary arterial pressure [torr]
PAS - Systemic arterial pressure [torr]
pC - Capillary pressure [Torr]
PVS - Central venous pressure [torr]
PVP - Pulmonary venous pressure [torr]
ZMGE
<KR>
PAP
INPUTS:
VB - Blood volume [l]
RTOT - Total resistance in systemic circulation [Torr * Min / l] (norm.=20)
RTOP - Total resistance in pulmonary circulation [Torr * Min /l] (norm. =3)
KL - Parameter of the left heart performance [l/min/torr] (norm.=0.2)
KR - Parameter of the right heart performance [l/min/torr] (norm.=0.3)
DEN - Proportional constant between QCO AND VB [1/min] (norm.=1)
KRAN - Parameter of capillary pressure (norm.=5.93)
RTOP
KL
<KL>
<KRAN>
vIF
CARDIOVASCULAR BLOCK
RTOT
YCA
30.7.2001
VEC
<ZMGE0>
24.8.2001
VIN 0
<VIN0>
<YCAI>
HT
vB
OUTPUTS:
HB - blood hemoglobin concentration [g/100 ml]
HT - hematocrit
vB - blood volume [l]
vP -plasma volume [l]
vIF - interstitial fluid volume [l]
vTW - total body fluid volume [l]
vIC - ICF volume [l]
xGLE
<XGLE>
HT
DEN
pC
PVS
24.8.2001 edited by Tom Kripner
KRAN
PVP
Calcium and Magnesium Balance
PAP
PAS
PC
PVS
PVP
Cardiovascular Block
VTW
VP 0
<VP0>
VIF 0
<VIF0>
Scope5
vIC
Scope4
VIC
VIC 0
<VIC0>
Body Fluid Volume Balance
Scope6
Body fluid volume balance
Calcium and magnesium balance
Cardiovascular block
<VEC>
<YCLI>
vEC
<YKU>
<YNH4>
<YCA>
<YMG>
<YSO4>
<YCO3>
<STPG>
<ZCLE0>
ADH
<ADH>
DIURESIS AND URINE OSMOLARITY
yCLI
zCLE
CHLORIDE BALANCE
<YNU>
OSMP
<OSMP>
INPUTS:
yCLI - chloride intake [mEq/min]
yNU - Na renal excretion rate [mEq/min]
yKU - K renal excretion rate [mEq/min]
yNH4 - ammonium renal excretion rate [mEq/min]
yNH4
yCa - calcium renal excretion rate [mEq/min]
yMg - magnesium renal excretion rate [mEq/min]
xCLE
yCa
ySO4 - sulphate renal excretion rate [mEq/min]
yCO3 - bicarbonate excretion rate [mEq/min]
STPG - summary renal excretion rate of phosphates and org. acids
yMg
related to arterial pH [mEq/min]
yND
<YND>
yKU
CHLORIDE
BALANCE
yCO3
yGLU
<YGLU>
XCLE
yURU
<YURU>
yMNU
<YMNU>
OUTPUTS:
zCLE - ECF chloride content [mEq]
xCLE - ECF chloride concentration [mEq/l]
yCLU - chloride renal excretion rate [mEq/min]
ySO4
yKD
<YKD>
yNU
<YNU>
30.7.2001
yCLU
STPG
yKU
<YKU>
YCLU
qWD
INPUTS:
ADH - effect of antidiuretic hormone [x normal]
OSMP - plasma osmolality [mOsm/l]
yND - sodium excretion rate in distal tubule [mEq/min]
yKD - potassium excretion rate in distal tubule [mEq/min]
yGLU - renal excretion rate of glucose [mEq/min]
yURU - renal excretion rate of urea [mEq/min]
yMNU - renal excretion rate of mannitol [mEq/min]
yNU - sodium renal excretion rate [mEq/min]
yKU - potassium renal excretion rate [mEq/min]
ZCLE
yNU
DIURESIS
AND URINE
BALANCE
qWU
QWD
Scope7
<ALD>
<GFR>
<CPR>
<THDF>
<YNIN>
<PHA>
<CBFI>
<CHEI>
<YKGLI>
<ZKI0>
<CKEI>
<YKIN>
<VEC>
<ZNE0>
<ZKE0>
<ZHI0>
PIF
<QLF0>
16.8.2001
PIF
QLF0
QLF
Interstitial Pressure and Lymph Flow Rate
OSMU
OSMU
Diuresis and Urine Osmolarity
Scope8
yTA1
yNU
SODIUM AND POTASSIUM BALANCE
yNH4
ALD
GFR
CHEI
SODIUM AND
POTASSIUM
BALANCE
yNH
xNE
zKI0
CKEI
yKIN
vEC
ZNE 0
ZKE 0
YND
yNHI
yKHI
QCO
PBA
VAL
zKE
YKHI
yKU
yKD
ZKI
<FCO2A0>
<FO2A0>
ZKE
UCO2V
UO2V
pO2A
PLASMA OSMOLARITY
PLASMA
OSMOLARITY
xURE
xNE
<XNE>
PCO2A
xMNE
xGLE
<XGLE>
pCO2A
fCO2A
OUTPUTS:
VA
uCO2V (** Content of CO2 in venous blood [l STPD/l]*)
<VA>
uO2V (** Content of O2 in venous blood [l STPD / l*)
fO2i
pCO2A (*CO2 tension alveoli [Torr]*)
<FO2I>
fCO2A (*Volume fraction of CO2 in dry alveoli gas*)
UCO2V 0
pO2A (*O2 tension in alveoli [Torr]*)
<UCO2V0>
fO2A (*Volume fraction of O2 in dry alveoli gas*)
YNHI
<XMNE>
<XURE>
uO2V
O2 AND CO2
EXCHANGE
fCO2i
<VAL>
<UO2V0>
zKI
O2 and CO2 EXCHANGE
INPUTS:
mrCO2 - (*Metabolic production rate of CO2 [l STPD/min]*)
uCO2A (*Content of CO2 in arterial blood [l STPD/l]*)
VTW (*Total body fluid volume [l]*)
mrO2 - (*Metabolic consumption rate of O2 [l STPD/min]*)
uO2A (*Content of CO2 in arterial blood [l STPD/l]*)
QCO (*Cardiac output [l/min]*)
PBA - (*Barometric pressure*)
fCO2i - (*Volume fraction of CO2 in dry inspired gas*)
VAL - (*Total alveolar volume (BTPS)*)
VA (*Alveolar ventilation [l BTPS/min]*)
fO2i - (*Volume fraction of O2 in dry inspired gas*)
uO2A
XNE
ZNE
uCO2V
uCO2A
mrO2
<QCO>
<PBA>
<FCO2I>
zNE
mrCO2
VTW
<MRO2>
YNH
<UO2A>
yND
OUTPUTS:
yNU - Na renal excretion rate [mEq/min]
yNH - Na excretion in Henle loop [mEq/min]
yND - Na excretion rate in distal tubule [mEq/min]
xNE - ECF Na concentration [mEq/l]
zNE - ECF Na content[mEq]
yNHI - H ions flow rate from ECF to ICF (exchanged w. Na) [mEq/min]
yKHI - K flow rate from ECF to ICF (exchanged w. H) [mEq/min]
zKI - ICF K content [mEq]
zKE - ECF K content [mEq]
yKU - K renal excretion rate [mEq/min]
yKD - K excretion rate in distal tubule [mEq/min]
yKGLI
<UCO2A>
YNU
<VTW>
INPUTS:
yTA1 - Arterial pH dependent portion of titrable acid excretion rate
yNH4 - ammonium renal excretion rate [mEq/min]
yCO3R - bicarbonate reabsorption rate [mEq/min]
ALD - aldostrone effect [x normal]
CPR - excretion ratio of filterd load after proximal tubule
CPR
THDF - effect of 3rd factor (natriuretic horm.) [x normal]
yNIN - sodium intake [mEq/min]
THDF
PHA - Arterial blood pH
CBFI - Parameter of intracellular buffer capacity
yNIN
CHEI - Transfer coeff. of H ions from ECF to ICF
yKGLI - K flow rate from ECF to ICF accompanying secretion of insulin [mEq/min]
PHA
zKI0 - normal ICF K content [mEq]
CKEI - Transfer coeff. of K ions from ECF into ICF (exchanged with H ions)
CBFI
yKIN - K intake [mEq/min]
yCO3
Scope9
Interstitial pressure and lymph flow rate
<MRCO2>
<YNH4>
INTERSTITIAL PRESSURE
AND
LYMPH FLOW RATE
INPUTS:
vIF0 - normal interstitial fluid volume [l]
vIF - interstitial fluid volume [l]
qLF - normal lymph flow rate [l/min]
ZCLE 0
Diuresis and urine osmolarity
<YCO3>
VIF
QLF
Chloride Balance
<YTA1>
VIF0
<VIF>
OUTPUTS:
pIF - interstitial pressure [torr]
OUTPUTS:
qWD - rate of urinary excretion in distal tubule [l/min]
qWU - urine output [l/min]
OSMU - urine osmolality [mOsm/l]
17.8.2001
INTERSTITIAL
PRESSURE
AND LYMPH
FLOW RATE
<VIF0>
QWU
INPUTS :
XMNE - ECF mannitol concentration [mmol/l]
XURE - ECF urea concentration [mmol/l
XGLE - ECF glucose concentration [mmol/l]
XNE - ECF sodium concentration [mmol/l]
XKE - ECF potassium concentration [mmol/l]
OSMP
OSMP
OUTPUT :
OSMP - plasma osmolarity
xKE
<XKE>
Plasma osmolarity calculation
FCO2A
PO2A
UO2V 0
8.10.2001
FCO2A 0
fO2A
FO2A
FO2A 0
O2 and CO2 Exchange
YKU
YKD
27.7.2001
xKE
ZHI 0
XKE
Scope12
Na & K Balance
Scope11
Sodium and potassium balance
Scope10
O2 and CO2 exchange
Plasma osmolarity
<VEC>
<YPO4I>
<YSO4I>
<YORGI>
<GFR>
<ZPO4E0>
<ZSO4E0>
<ZORGE0>
zPO4E
vEC
ZPO4E
<VIF>
PHOSPHATE, SULPHATE AND ORGANIC ACIDS BALANCE
INPUTS:
yPO4I - phosphate intake [mEq/min]
ySO4I - sulphate intake [mEq/min]
yORGI - organic acids intake [mEq/min]
GFR - Glomerular filtration rate [l/min]
ySO4I
yORGI
GFR
ZPO4E 0
OUTPUTS:
zPO4E - ECF phosphate content [mEq]
xPO4 - ECF phosphate contentration [mEq/l]
yPO4 - Phosphate renal excretion rate [mEq/min]
zSO4E - ECF sulphate content [mEq]
xSO4 - ECF sulphate contentration [mEq/l]
ySO4 - sulphate renal excretion rate [mEq/min]
zORGE - ECF organic acids content [mEq]
xORGE - ECF organic acids contentration [mEq/l]
yORG - organic acids renal excretion rate [mEq/min]
ZSO4E 0
30.7.2001
ZORGE 0
xPO4
yPO4
zSO4E
xSO4
ySO4
zORGE
xORGE
yORG
pICO
vIF
<TPHA1>
XPO4
<QLF>
<PC>
<YPLIN>
ZSO4E
<VP>
XSO4
<ZPG0>
<ZPIF0>
YSO4
<ZPP0>
ZORGE
<ZPLG0>
<PHA>
qLF
pC
YPO4
YPLIN
vP
ZPG 0
ZPIF 0
ZPP 0
INPUTS:
vIF interstitial fluid volume [l]
pC - capillary pressure [torr]
YPLIN - rate of intravenous plasma protein input [g/min]
vP -plasma volume [l]
PROTEIN
BALANCE
OUTPUTS:
pICO - interstitial colloid osmotic pressure [torr]
xPIF - interstitial protein concentration [g/l]
zPIF - interstitial protein content[g]
zPP - plasma protein content [g]
xPP - plasma protein concentration [g/l]
xPIF
XPIF
<YORG>
<YPO4>
zPIF
ZPIF
<YTA0>
zPP
<ALD>
ZPP
<TPHU2>
xPP
XPP
<TPHU1>
10.7.2001
ZPLG 0
<YNH40>
pPCO
PPCO
<QWU>
Protein Balance
XORGE
<PCO2A>
YORG
<GFR>
Phosphate, Sulphate and Organic Acids Balance
ano XCO3
<XCO3>
<PHA0>
<PHU20>
Phosphate sulphate and organic acids balance
Protein balance
<VEC>
<XKE>
<YNH>
<PVP>
<OSMP>
GFR
CONTROLLER
OF RENAL
FUNCTION
pAS
xKE
yNH
pVP
OSMP
INPUTS:
pAS - systemic arterial pressure [torr]
yNH - Na excretion in Henle loop [mEq/min]
pVP - pulmonary venous pressure [torr]
OSMP - plasma osmolality [mOsm/l]
<PCO2A>
ALD
HIDDEN CONSTANTS:
vEC0 - normal ECF volume [l]
GFR0 - normal glomerular filtration rate [l/min]
___
ADH
<PHA>
VA0
RESPIRATION CONTROL
INPUTS:
VA0 - normal value of alveolar ventilation [l BTPS/min]
pO2A - O2 partial pressure in alveoli [Torr]
pCO2A - CO2 partial pressure in alveoli Torr]
pHA - arterial blood pH
AH - concentration of hydrogen ions in arterial blood [nM/l]
pCO2A
pHA
<PHU10>
VA
yORG
yPO4
<AH>
AH
<YURI>
<GFR>
yTA1
PHU
YTA
YTA1
PHU
yCO3
PHA 0
24.7.2001
YCO3
PHU2 0
yCO3R
PHU1 0
vTW
yURI
GFR
<YMNI>
yMNI
Respiration Control
<VEC>
ADH
RENAL
ACID BASE
CONTROL
yTA
qWU
OUTPUT VARIABLES:
STPG - summary renal excretion rate of titratable acids, phosphate and org. acids [mmol/mi
yNH4
yTA - renal excretion rate of titratable acids [mmol/min]
pCO2A
YNH4
yTA1 - on arterial pH dependent portion of titratable acid secretion rate [mmol/min]
PHU - urine pH
GFR
YNH4 - Ammonium renal excretion rate [mmol/min]
YCO3 - Bicarbonate excretion rate [mmol/min]
YCO3R - Bicarbonate reabsorption rate [mmol/min]
xCO3
VA
OUTPUTS:
VA - alveolar ventilation [l BTPS/min]
STPG
RENAL ACID BASE CONTROL
INPUTS:
TPHA1 - Time constant of titratable acid [1/min]
PHA - arterial pH
yORG - Renal excretion rate of organic acid [mEq/min]
yPO4 - Renal excretion rate of phosphate [mEq/min]
ALD
yTA0 - Normal value of renal excretion rate of titratable acid [mmol/min]
ALD - Aldosterone effect [x normal]
TPHU1 - Time constant of ammonium secretion [1/min]
TPHU2
TPHU2 - Time constant of titratable acids secretion [1/min]
yNH40 - Normal value of ammonium renal excretion rate [mmol/min]
TPHU1
qWU - Urine output [l/min]
pCO2A - Alveolar pCO2 [torr]
GFR - Glomerular filtration rate [l/min]
yNH40
xCO3 - Actual bicarbonate concentration [mmol/l]
yTA0
Scope15
YCO3R
Renal Acid Base Control
<VTW>
RESPIRATION
CONTROL
pO2A
STPG
PHA
4.10.2001
OUTPUTS:
ALD - aldosterone effect [x normal]
ADH - effect of antidiuretic hormone [x normal]
THDF - effect of 3rd factor (natriuretic horm.) [x normal]
vEC
zUR
OUTPUTS:
zUR - total body-fluid urea content [mEq]
xURE - ECF urea concentration [mEq/l]
yURU - renal excretion rate of urea [mEq/min]
zMNE - ECF mannitol content [mEq]
xMNE - ECF mannitol concentration [mEq]
yMNU - renal excretion rate of mannitol [mEq/min]
21.8.2001
<ZUR0>
ZUR 0
ZUR
UREA AND MANNITOL BALANCE
INPUTS:
vTW - total body fluid volume [l]
yURI - intake rate of urea [mEq/min]
yMNI - intake rate of mannitol [mEq/min]
UREA AND
MANITOL
BALANCE
xURE
yURU
XURE
YURU
Urea and mannitol balance
zMNE
xMNE
ZMNE
XMNE
17.8.2001
THDF
<PPCO>
GFR
<PO2A>
ALD
Scope14
Scope13
<VA0>
vEC
CONTROLLER OF RENAL FUNCTION
<PAS>
TPHA1
PICO
PROTEIN BALANCE
PHOSPHATE
AND ORGANIC
ACIDS
BALANCE
yPO4I
pPCO
THDF
<ZMNE0>
ZMNE 0
yMNU
YMNU
Urea and Mannitol Balance
Controller of Renal Function
Scope16
Scope17
Scope18
Controller of renal function
Respiration control
Renal acid base control
Chloride balance
,QSXWV
INPUTS
2XWSXWV
Obrázek 5 – Vnitřní struktura simulinkového bloku, realizujícího simulační model Golem,
se skládá z 18 bloků jednotlivých fyziologických subsystémů, jejichž vstupy a výstupy
jsou propojeny přes společnou sběrnici
82
XHB
<BEOX>
<HB>
BEOX
XHB
BLOOD ACID BASE BALANCE
HB
STBC
BE
BE
AH
AH
OUTPUTS:
PHA
XHB - Vector of coefficients derived from hemoglobin concentration
STBC - Standard bicarbonate concentration [mmol/l]
BE - Base Excess concentration in arterial blood
SO2A
PCO2A
<PCO2A>
AH - Hydrogen ions concentration [nmol/l]
PHA - arterial plasma pH
XCO3A
SO2A - Oxygen hemoglobin saturation in arterial blood (expressed as ratio from 0 to 1)
XCO3 - Actual bicarbonate concentration in arterial blood
UCO2A - Content of CO2 in arterial blood [l STPD/l]
UCO2A
UO2A-Content of O2 in arterial blood [l STPD/l]
PO2A
<PO2A>
A
U(E)
U
Selector
STBC
INPUTS:
BEOX - Base Excess in fully oxygenated blood [mmol/l]
HB - Hemoglobin concentration [g/dl]
PCO2A - CO2 tension in arterial blood [torr]
PO2A - Oxygen tension in arterial blood [torr]
PHA
SO2A
XCO3
UCO2A
UO2A
UO2A
Blood Acid Base Balance
1
XHB
Hemoglobin Coefficients
ABCNST
2
HB
Hb
Standard Bicarbonate Concentration
STBCB
XHb
INPUT :
Hb - blood hemoglobin
concentration [g/dl]
Blood
hemoglobin
concentration
INPUTS :
XHb - coefficients derived from
hemoglobin concentration
BE -blood Base Excess [mmol/l]
XHb
OUTPUTS :
hemoglobin concentration
BE
c[1]..c[10]
a[1]..a[11]
STBC
HCO3st
2
STBC
OUTPUT :
HCO3st - standard bicarbonate concentration [mmol/l]
5
PHA
ST BCB
pH From Base Excess
BEINV
XHb
ABCNST
pH37
INPUTS :
concentration of hemoglobin in blood
BEox - Base Excess in fully oxygenated blood [mmol/l]
SO237 - oxyhemoglobin saturation
[expressed as ratio form 0 to 1]
SO237
PCO237 - pCO2 [torr] in blood at 37 °C
PHA
PHA
Actual Bicarbonate Concentration
ACBCB
pHt
BEox
1
BEOX
SO2A
Memory
PCO2A
OUTPUTS :
pH37 - plasma pH at standard temperature (37 °C)
PCO237
BE- current value of blood Base Excess [mmol/l]
PCO2A
INPUTS :
pHt - plasma pH at patient temperature
PCO2t - PCO2 [torr] at body temperature
temp - body temperature [°C]
PCO2t
BE
37
10^(9-u);
Fcn
HCO3
Constant
AC BCB
pH From BE
SO2A
3
BE
CO2 Blood Content
CARB
XHb
PCO2A
INPUTS :
conentration of hemoglobin in blood
[expressed as ratio form 0 to 1]
pH37 - pH of plasma at 37 °C
PCO237
PHA
SO2A
PO2A
4
PO2A
PO2A
PO237
pH37
3
PCO2A
PCO2A
pCO237
Oxyhemoglobin Saturation
SATUR
INPUTS :
PO237 - pO2 [torr] in blood at 37 °C
pH37 - pH of plasma at 37 °C
PHA
SO237
4
AH
7
XCO3A
XCO3A
OUTPUT :
HCO3 - actual bicarbonate concentration
at body temperature
temp
SO2A
SO237
CO2
8
UCO2A
OUTPUT :
CO2 - blood CO2 content
[expressed in l CO2 STPD/l ]
pH37
SO2A
CARB
PCO2A
OUTPUT :
(expressed as ratio form 0 to 1)
SO2A
SO2A
SO2A
SATUR
XHb
SO2A
SO2A
PO2A
SO237
PO237
6
SO2A
O2 Blood Content
OXY
INPUTS :
XHb - coefficient derived from
concentration of hemoglobin in blood
SO237 - oxyhemoglobin saturation 37 °C
(expressed as ratio form 0 to 1)
PO237 - pO2 (torr) in blood at 37 °C
O2
9
UO2A
OUTPUT :
O2 - blood O2 content
[expressed in l CO2 STPD)/l ]
OXY
SIMULATION CHIP: BLOOD ACID BASE BALANCE
u[1]
CO2 - part1
( u[2]*u[26] + u[3] ) / (u[26]*u[26])
1
CO2 - part2
XHb
u[4]*u[25]/u[26]
2
CO2 - part3
PCO237
u[5]* ( 1-u[24] ) / ( (u[26]/u[25])^2 + u[26]*u[6] / u[25] + u[7] * u[23] )
[7.0388002E-3 3.6447450E-4 7.9099077 -2.0113444E-1 -1.4790526 ]
CO2 - part4
X0 ... X4
u[8]* u[24] / ( (u[26]/u[25])^2 + u[26]*u[9] / u[25] + u[10] * u[23] )
CO2 - part5
3
SO237
4
SO2 >= 10^ -13
f(u)
1
CO2
D
D=X0*(SO237^X1)*(pH37^X2)
*exp(X3*SO237+X4*pH37);
pH37
10^( 9 - u )
AH=10^(9-pH37);
AH
X0=7.0388002E-3 ;
X1=3.6447450E-4 ;
X2=7.9099077 ;
X3=-2.0113444E-1 ;
X4=-1.4790526 ;
% if SO237==0
% SO237=1E-13;
% end;
0.02226
CO2=
Const
D=X0*(SO237^X1)*(pH37^X2)*exp(X3*SO237+X4*pH37);
AH=10^(9-pH37);
SIMULATION CHIP: CARB
CO2 = 0.02226*PCO237*(XHb(1)+(XHb(2)*AH+XHb(3))/(AH*AH)+XHb(4)*D/AH ...
+XHb(5)*(1-SO237)/((AH/D)^2+AH*XHb(6)/D+XHb(7)*PCO237) ...
+XHb(8)*SO237 /((AH/D)^2+AH*XHb(9)/D+XHb(10)*PCO237));
Obrázek 6 – Celý model simulátoru Golem je vytvořen z hierarchicky uspořádaných,
navzájem propojených simulinkových bloků. Jejich propojení zobrazuje příslušné
závislosti a vazby mezi jednotlivými fyziologickými subsystémy. Struktura simulinkové
počítací sítě, vyjadřující matematické vztahy, se objevuje teprve na nejnižší hierarchické
úrovni. Tak například uvnitř bloku BLOOD ACID BASE BALANCE (druhý blok v horní řadě
na předchozího obrázku 5) jsou další propojené simulační čipy (realizované jako simulinkové bloky). Jeden z propojených bloků – (blok CARB), počítající celkovou koncentraci
oxidu uhličitého v krvi, již obsahuje vlastní počítací bloky
83
Jiří Kofránek
Pomocí simulinkových bloků jsme vytvořili knihovnu fyziologických modelů
Physiolibrary, která je volně k dispozici na adrese: http://www.physiome.cz/
simchips. Součástí knihovny je také rozsáhlý integrovaný model fyziologických
regulací, který byl podkladem našeho výukového simulátoru Golem. Model
má hierarchickou strukturu složenou z jednotlivých vnořených a propojených
simulinkových bloků [37] (Obrázek 4 – Obrázek 6).
6. Golem místo pacienta
Tvorba výukového simulátoru Golem vyžadovala kromě modelu ještě další
nemalé programátorské úsilí, spočívající ve vytvoření uživatelského rozhraní
a jeho propojení s verifikovaným modelem implementovaným na pozadí
simulátoru [36].
Simulátor „Golem“, který jsme vytvořili koncem devadesátých let jako open
source, byl zaměřen především pro výuku patofyziologie poruch vnitřního
prostředí [34,35,50-54]. Umožňoval simulovat zejména smíšené poruchy iontové,
osmotické a acidobazické rovnováhy, poruchy transportu krevních plynů,
respirační selhání i poruchy funkce ledvin. Umožňoval také sledovat vliv
nejrůznější infúzní terapie
Simulátor se využíval na našich i některých zahraničních lékařských fakultách. Osvědčil zejména při výuce patofyziologie a klinické fyziologie, Simulátor
díky komplexnosti modelu fyziologických systémů na jeho pozadí, umožnil názorně demonstrovat, jak jednotlivé fyziologické subsystémy spolu navzájem
souvisejí a jak se tyto souvislosti projevují v jednotlivých patofyziologických
stavech.
Z pedagogického hlediska ukázalo jako velice výhodné objasňovat fyziologický význam jednotlivých regulačních okruhů pomocí rozpojování a opětovného zapojování jednotlivých regulačních vazeb. Rozpojení regulačních
vazeb v simulátoru umožní lokálně sledovat odezvu jednotlivých fyziologických subsystémů na změnu hodnot některých proměnných, které jsou ale
sami v organismu regulovány.
Do simulátoru Golem jsme proto zavedli možnost „odpojení regulace“
některých regulovaných fyziologických proměnných a jejich „přepnutí na
lokálně zadávaný vstup“ [38]. Rozpojení regulačních smyček umožnilo omezit
se při simulaci na jednotlivý fyziologický subsystém a zkoumat jeho chování
nezávisle na spletitých regulačních vztazích uvnitř celého organismu a sledovat
tak chování jednotlivých fyziologických regulačních vztahů odděleně, což
přispívalo k lepšímu pochopení fyziologických souvislostí (Obrázek 7).
Naše zkušenosti i zkušenosti jiných pracovišť s nasazením komplexních
modelů do výuky ale ukazují, že velké a složité modely mají z didaktického
hlediska značnou nevýhodu ve složitém ovládání [14,56,48]. Velké množství
vstupních proměnných vyžadují od uživatele důkladnější porozumění vlastní
struktury simulačního modelu, i znalost toho, jaké procesy je zapotřebí při
simulacích určitých patologických stavů sledovat.
Pedagogická praxe ukázala, že simulační hra s jednoduchými agregovanými
modely (s možností sledování pouze několika proměnných) je někdy vhodnějším
84
Obrázek 7 – Příklad rozpojení fyziologických subsystémů z vnějších regulačních smyček
v simulátoru GOLEM demonstrující vazby subsystému acidobazické rovnováhy a elektrolytové rovnováhy přes regulační vliv hormonální regulace. Stisknutím tlačítka odpojíme řízení hladiny hormonu aldosteron z regulace. Pootočením knoflíku pak hladinu
aldosteronu násilně zvýšíme (A). Po čase vidíme na schématu vylučování draslíku v ledvinách, že draslík se ve zvýšené míře vylučuje močí, jeho zásoby v plazmě jsou však malé,
ledvinné ztráty vedou k tomu, že draslík se přesouvá do mimobuněčné tekutiny (a plazmy) z buněk (B). Výstup draslíku z buněk je však provázen vstupem vodíkových iontů
do buněk (C), důsledkem je rozvoj extracelulární metabolické alkalózy (D)
85
Jiří Kofránek
nástrojem pro vysvětlení složitých procesů než rozsáhlý a složitý výukový
simulátor. Při výkladu je vhodné postupovat od jednoduššího ke složitějšímu,
tj. nejprve s využitím jednoduchých modelů vysvětlit základní principy a teprve potom se věnovat složitějším detailům a využívat simulační hry se složitějšími modely.
Obrázek 8 – Atlas fyziologie a patofyziologie kombinuje interaktivní výklad se zvukovým
a animačním doprovodem a simulační hry. Je vytvářen v české (a postupně i v anglické)
verzi. Je volně dostupný na internetové adrese www.physiome.cz/atlas.
Je vhodné, když jsou modely provázeny výkladem jejich využití – nejlépe
pomocí interaktivních výukových aplikací na internetu. Teprve spojení výkladu 86
se simulační hrou dává možnost využít všech výhod virtuální reality pro vysvětlení složitých patofyziologických procesů.
Pro skloubení možností interaktivních multimédií a simulačních modelů pro
lékařskou výuku jsme proto koncipovali projekt internetového počítačového
Atlasu fyziologie a patofyziologie (http://physiome.cz/atlas), který kombinuje interaktivní výkladové kapitoly a simulační hry s modely fyziologických
systémů (Obrázek 8). Uživatelské rozhraní připomíná animované obrázky
z tištěného Atlasu fyziologie [72] nebo Atlasu patofyziologie [73]. Na rozdíl od
tištěných ilustrací, jsou ale obrázky tvořící uživatelské rozhraní multimediálních
simulátorů „živé“ a interaktivní – změny proměnných simulačního modelu se projeví změnou obrázku. Pomocí takto koncipovaných interaktivních
ilustrací je možno realizovat simulační hry, které lépe než statický obrázek
nebo i prostá animace pomohou vysvětlit dynamické souvislosti ve fyziologických systémech a napomoci především k pochopení příčinných souvislostí
v rozvoji nejrůznějších chorob. Při tvorbě atlasu jsme vycházeli z námi vypracované technologie tvorby webových výukových simulátorů [41].
7. Od Simulinku k Modelice
Simulink patří k blokově orientovaným simulačním jazykům, které umožňují
sestavovat počítačové modely z jednotlivých bloků s definovanými vstupy
a výstupy, propojovat bloky do počítacích sítí a počítací sítě seskupovat do
bloků vyšší hierarchické úrovně. Blokově orientované simulační nástroje mají
výhodu v tom, že umožňují přehledně strukturovat model do propojených
hierarchicky uspořádaných komponent. Ze struktury bokově orientovaného
popisu je pak zřejmé, jakým způsobem se v modelu počítají hodnoty
jednotlivých proměnných – tj. jaký je algoritmus výpočtu. Hovoříme proto o tzv.
kauzálním modelování. Propojování bloků do sítě vztahů ale bohužel nemůže
být zcela libovolné. V propojených prvcích se nesmějí vytvářet algebraické
smyčky – tj. cyklické struktury, kdy nějaká vstupní hodnota přiváděná
jako vstup do výpočetního bloku ve stejném časovém kroku závisí (přes
několik prostředníků) na výstupní hodnotě z tohoto bloku. Propojení bloků
odráží spíše postup výpočtu než vlastní strukturu modelované reality.
V poslední době došlo k vývoji nových tzv. „akauzálních“ nástrojů pro
tvorbu simulačních modelů. Zásadní inovaci, kterou akauzální modelovací
nástroje přinášejí, je možnost popisovat jednotlivé části modelu přímo jako
soustavu rovnic a nikoli jako algoritmus řešení těchto rovnic. Zápis modelů
je deklarativní (popisujeme strukturu a matematické vztahy, nikoli algoritmus
výpočtu) – zápis je tedy akauzální.
Akauzální modelovací nástroje pracují s propojenými komponentami, které
představují instance tříd, v nichž jsou přímo definovány rovnice. Komponenty se
mohou propojovat pomocí speciálních akauzálních konektorů – přes akauzální
propojení se vlastně propojují jednotlivé proměnné v rovnicích příslušných
komponent a jejich propojením se definují soustavy rovnic modelu.
Elementární prvky simulované reality mohou mít velmi triviální zápis vztahů mezi veličinami Odpor, kondenzátor či cívka z elektrické fyzikální domény
87
Jiří Kofránek
p.v
p.i
n.v
n.i
Resistor
R*i=v
p.v
v=p.vͲn.v
n.v
p.i
Capacitor
v
Inductor
i=p.i =n.i
n.v
n.i
p.v
p.i
n.i
p.v
p.i
n.v
n.i
i=C*der(v)
p.v
p.i
v=p.vͲn.v
v
L*der(i)=v
n.v
p.v
n.i
p.i
v=p.vͲn.v
v
n.v
n.i
i=p.i =n.i
i=p.i =n.i
Obrázek 9 – Hydraulické a elektrické prvky pocházejí z různých domén, mají však stejný
formální popis. Analogií elektrického napětí (v) je v hydraulické doméně tlak, analogií
elektrického proudu (i) je v hydraulické doméně proud kapaliny (a v pneumatické doméně proud plynu). Pro hydraulický odpor (R), stejně jako pro elektrický odpor platí Ohmův
zákon (pouze místo rozdílu elektrického napětí je tlakový gradient a místo elektrického proudu je průtok). Hydraulickou analogií elektrického kondenzátoru je pružný vak,
roztahovaný rozdílem tlaků uvnitř a vně vaku. Analogií elektrické kapacity kondenzátoru (C) je poddajnost stěny pružného vaku. Uvažujeme-li v hydraulickém systému ještě
inerci, pak síla, která urychluje proudění kapaliny je tlakový gradient. Zrychlení proudu,
tj. první derivace toku der(i), je proto podle Newtonova zákona úměrná tlakovému gradientu (v) a nepřímo úměrná hmotnosti zvoleného sloupce kapaliny tzv. inertanci (L).
V elektrické doméně inertance odpovídá indukčnosti cívky. Každý prvek hydraulické či
elektrické domény má dva propojovací konektory, kterými přitéká a odtéká elektrický
nebo látkový proud (p.i, n,i), přičemž platí, že se protékající tok (i) nikde v prvku neztrácí
(tj. i=p.i=n.i). Zároveň je na konektorech propojením do sítě přivedeno elektrické napětí
či tlak (p.v, n.v), a v prvku se vytváří gradient elektrického napětí nebo gradient tlaků (v)
či jejich hydraulické analogie (používané např. při modelování cirkulace) jsou
toho názorným příkladem (Obrázek 9). Složitější systém pro výpočet vznikne,
když tyto elementární prvky budeme propojovat do sítí – při jejich vzájemném
propojení vznikají systémy rovnic. V Simulinku zapsaný algoritmus jejich numerické řešení nemusí být triviální (viz např. složitější tzv. „RLC modely“ cirkulace či respirace implementované v naší simulinkové knihovně Physiolibrary).
V akauzálních simulačních nástrojích se však o způsob řešení nemusíme starat.
O algoritmus řešení vzniklé soustavy rovnic se stará samotný akauzální nástroj.
88
Moderním simulačním jazykem, který je přímo postaven na akauzálním
zápisu modelů je Modelica [17,75] Na rozdíl od blokově orientovaného
simulačního prostředí Simulink, struktura modelů v Modelice mnohem lépe
zobrazuje fyzikální podstatu modelované reality (o algoritmus řešení výsledné
soustavy algebrodiferenciálních rovnic se pak stará příslušný kompilátor).
Modely v Modelice jsou, v porovnání s modely v Simulinku, přehlednější
a samodokumentující.
Ukažme si to na jednoduchém příkladě z oblasti modelování hemodynamiky.
Pro modelování odporu cévy vytvoříme třídu, v níž napíšeme rovnici Ohmova
zákona. Ke každé třídě můžeme přiřadit uživatelem definovanou ikonku –
v daném případě třeba zobrazení cévy (Obrázek 11 B). Pro umožnění propojení
s okolím tuto třídu vybavíme konektorem pro vstup hodnoty vodivosti případně odporu a zároveň definujeme na obou koncích cévy akauzální konektory.
Akauzální konektorové spojení se realizuje pomocí dvou typů veličin: jedné,
která představuje tok – pro nějž platí, že součet toků je na všech připojených
uzlech nulový (protože se v oblasti rozvětvení uzlů žádná látka neakumuluje),
a druhé, jejíž hodnota zůstává na všech propojených uzlech stejná. Tokovou
(flow) proměnnou v případě komponenty modelující cévní odpor bude
průtok krve a netokovou (nonflow) proměnnou krevní tlak. V případě jiných
komponent mohou být dvojice propojovaných tokových a netokových
proměnných jiné (např. látkový tok jako flow proměnná a koncentrace látky
jako nonflow proměnná).
Při modelování dynamiky cév se často využívá tzv. elastický kompartment
(Obrázek 10). Koncepce elastického kompartmentu je založena na ´představě,
že plní-li se céva krví, do dosažení určitého reziduálního objemu („V0“) je tlak
v cévě určován pouze vnějším tlakem na cévu („ExternalPressure“), poté se
začnou napínat elastická a svalová vlákna v cévě a tlak v cévě stoupá úměrně
rozdílu objemu cévy („Vol“) a reziduálního objemu („V0“).
Elastický cévní kompartment si můžeme představit jako nafukovací vak
s jedním akauzálním propojovacím konektorem (nazveme ho třeba „ReferencePoint“) přes který budeme komparmtent napojovat na okolí. Tento konektor
nám zprostředkuje dvě hodnoty:
•
tok „ReferencePoint.Flow“;
•
tlak „ReferencePoint.Pressure“
Do kompartmentu budou vstupovat z vnějšku tři signálové vstupy:
•
základní náplň „V0“ – hodnota objemu, po jehož dosažení bude při
plnění cévy stoupat tlak
•
vnější, externí tlak vnějšího okolí na cévu „ExternalPressure“
•
poddajnost elastického kompartmentu „Compliance“ – jeho hodnota
mimo jiné závisí na napětí svalových vláken.
Z kompartmentu budou navenek vystupovat dva (kauzální) signálové
výstupy:
•
informace o momentálním objemu kompartmentu „Vol“;
•
informace o hodnotě tlaku uvnitř kompartmentu „Pressure“.
89
Jiří Kofránek
Uživatelemdefinovanáikona
implementacecévníhoelastického
kompartmentu vModelice
V0
Vstupníkonektory
ExternalPressure
Compliance
Pressure
P
e
Akaauzální kone
ektor:
ReferencePo
R
oint
V0
Vol
Pressure
Výstupníkonektory
V0
<V0
V0
<V0
StressedVolume
V0
Vol
ExternalPressure
StressedVolume = max(Vol-V0,0);
(
, );
Pressure = (StressedVolume/Compliance) + ExternalPressure;
V0
ReferencePoint.Flow = der(Vol)
ReferencePoint Pressure = Pressure
ReferencePoint.Pressure
StressedVolume
Obrázek 10 – Koncepce elastického cévního kompartmentu s jeho implementace
v Modelice
V programovém prostředí můžeme navrhnout i ikonu pro zobrazení
elastického kompartmentu.
Vlastní fragment programu popisující chování elastického kompartmentu
vypadá v Modelice následovně:
model VascularElacticBloodCompartment;
…
equation
StressedVolume = max(Vol-V0,0);
Pressure = (StressedVolume/Compliance) + ExternalPressure;
der(Vol) = ReferencePoint.Flow;
ReferencePoint.Pressure = Pressure;
end VascularElacticBloodCompartment;
První rovnice deklaruje, že hodnota elasticky napínaného objemu
„StressedVolume“ bude počítána jako rozdíl mezi objemem kompartmentu
„Vol“ a hodnotou jeho základní náplně „V0“ (která je vstupem), a dále rovnice
říká, že hodnota objemu kompartmentu nikdy nemůže poklesnout k záporným
hodnotám.Druhá rovnice deklaruje vztah mezi tlakem v kompartmentu
„Pressure“, hodnotou napínaného objemu „StressedVolume“, poddajností
„Compliance“ a externím tlakem „ExternalPressure“. Ještě jednou připomínám,
že se zde jedná o rovnice a nikoli o přiřazení. Rovnici by bylo možno v Modelice
napsat i takto:
Pressure - ExternalPressure= (StressedVolume/Compliance);
90
Třetí rovnice je diferenciální rovnice – derivace objemu „der(Vol)“ se rovná
přítoku „Flow“ z konektoru „ReferencePoint“. Poslední rovnice propojuje
hodnotu tlaku v kompartmentu „Pressure“ s hodnotou tlaku propojovanou
„ReferencePoint.pressure“ akauzálním konektorem s okolím.
Hodnota „Pressure“, je zároveň signálovým výstupem z kompartmentu –
jako signál ji můžeme přivádět k dalším blokům – je to ale kauzální výstupní
(signálová) proměnná a její hodnota nemůže být ovlivněna tím, k čemu ji
připojíme. U propojení z akauzálního konektoru je to ale jiné. Když instanci
elastického kompartmentu propojíme akauzálním konektorem s dalšími
prvky, pak čtveřice rovnic v kompartmentu se stane součástí soustavy rovnic
daných příslušným propojením a hodnoty proměnných v instanci elastického
kompartmentu budou záviset na řešení takto vzniklé soustavy rovnic.
Modelica je prozatím využívána převážně v průmyslu. Podstatným způsobem
ulehčuje modelování zejména rozsáhlých a komplexních systémů, k nimž
ale také patří biomedicínské systémy. Proto jsme jako nový implementační
prostředek pro tvorbu modelů pro výukové simulátory zvolili Modelicu
a upustili od vývoje modelů v blokově orientovaném prostředí Simulink/
Matlab.
Výhodu demonstruje příklad porovnání implementace klasického Guytonova modelu [19] v Simulinku (Obrázek –11A) a v Modelice (Obrázek – 11B).
Centrální část Guytonova modelu (Circulation dynamics) představuje modelování oběhu krve čerpaného pravou a levou srdeční komorou. Simulinkový
model představuje složitou na první pohled nepřehlednou počítací síť. Modelicová implementace názorně zobrazuje podstatu modelované reality – je
tvořena instancemi dvou čerpadel (pravé a levé komory), instancemi elastických kompartmentů a odporů jednotlivých částí cévního řečiště propojených
akauzálními konektory (které propojují průtok a tlak v jednotlivých částech
krevního řečiště). Akauzální konektor velkých žil je ještě napojen na řízenou
pumpu, kterou se modelují tvorba nebo ztráta krve, infůze a přesuny objemu
mezi krví a intersticiální tekutinou.
8. Hummod, Golem edition – model pro simulátor eGolem
Výhody akauzálního přístupu jsme plně využili při implementaci rozsáhlého
modelu fyziologických regulací, který je podkladem připravovaného simulátoru
eGolem. Struktura modelu vychází především ze struktury modelu amerických
autorů Quantitative Human Physiology (QHP) nedávno přejmenovaného
na Hummod, [11,24-26].
Předchůdcem tohoto modelu je rozsáhlý výukový simulátor Quantitative
Circulatory Physiology (QCP) [1], který byl dalším rozpracováním Colemanova
modelu Human [9] a rozsáhlých modelů Guytonovy pracovní skupiny. Pro
podporu jeho využívání jako výukové pomůcky v lékařské výuce ho autoři
v kompilované formě volně zpřístupnili na webu University od Mississippi
(http://physiology.umc.edu/themodelingworkshop/). Simulátor QCP je možné
stáhnout a instalovat na počítači v prostředí Windows. Proměnných je velmi
mnoho (několik tisíc).
91
Jiří Kofránek
(A)
(B)
Obrázek 11 – (A) Cirkulační dynamika – detailní struktura centrální části simulinkové
implementace Guytonova modelu zobrazující toky krve agregovanými částmi cirkulačního systému a činnost srdece jako pumpy. (B) Stejná část modelu, ale implementovaná v Modelice. V modelu jsou propojeny instance dvou čerpadel (pravé a levé komory
srdce), elastické komparmenty cév a odpory. Porovnáním obr. (A) a (B) vidíme, že struktura
modelu v Simulinku odpovídá spíše algoritmu výpočtu, zatímco struktura modelu
v Modelice více zobrazuje vlastní strukturu modelované reality.
92
Simulátor umožňuje měnit hodnoty cca 750 parametrů, modifikujících
fyziologické funkce. Hodnoty těchto parametrů je možno ukládat do exter-ního souboru nebo z externího souboru načítat, což umožňuje připravit
řadu scénářů pro různé scénáře modelovaných patologických stavů. Autoři
pro výukové potřeby řadu těchto scénářů (ve formě vstupních souborů) připravili
a spolu s příslušným komentářem umožnili jejich stahování z příslušné webové
stránky. Ve výukové praxi se simulátor osvědčil [66].
Simulátor HumMod, obsahující více než 4000 proměnných v současné době
zřejmě představuje nejrozsáhlejší integrovaný model fyziologických regulací.
Model má velmi rozvětvené menu a umožňuje simulovat řadu patologických
stavů, včetně vlivu příslušné terapie.
Na rozdíl od předchozího simulátoru QCP, jehož matematické pozadí je
uživateli skryto ve zdrojovém kódu simulátoru napsaném v C++, jde simulátor
QHP/HumMod jinou cestou. Jeho autoři se rozhodli oddělit implementaci
simulátoru a popis rovnic modelu tak, aby struktura modelu mohla být zřejmá
pro širší vědeckou komunitu.
Hlavní architekt tohoto modelu Thomas Coleman proto již v roce 1985
vypracoval speciální jazyk pro zápis struktury modelu i definic prvků uživatelského rozhraní simulátoru. Jazyk je založen na upravené XML notaci. Model
je pak zapsán pomocí XML souborů. Speciální překladač (DESolver) pak přeloží
tyto XML soubory do spustitelného kódu simulátoru (Obrázek 12).
Model HumMod je šířen ve zdrojové formě jako open source (model
a simulátor je veřejně přístupný na webu http://hummod.org). Jeho struktura
je napsána ve speciálním XML jazyku v 3235 souborech umístěných v 1367
složkách. Díky tomu jsou rovnice modelu a jejich návaznosti obtížně
srozumitelné a řada řešitelských týmů při vývoji lékařských simulátorů pro
raději jako východisko pro další rozšíření raději sahá pro starších modelech
komplexních fyziologických regulací – např. modelech Guytona z roku
roku 1972 [19] a modelech Ikedy z roku 1979 [28]. Touto cestou se např. vydal
mezinárodní výzkumný tým v projektu SAPHIR (System Approach for
Physiological Integration of Renal, cardiac and repiratory control), když se
zdrojové texty modelu QHP se účastníkům projektu zdály velmi špatně
čitelné a obtížně srozumitelné [74]. Obdobně, nedávno Mangourová a spol.
[60]
implementovali v Simulinku raději starší Guytonův model z roku 1992 [7],
než poslední (pro ně špatně čitelnou) verzi modelu QHP/Hummod týmu
Guytonových spolupracovníků a žáků.
My jsme se toho nezalekli a s americkými autory jsme navázali spolupráci.
Vytvořili jsme speciální softwarový nástroj QHPView [41], který z tisícovek
souborů zdrojových textů modelu vytvoří přehledné zobrazení použitých
matematických vztahů (Obrázek 13). To mimo jiné pomohlo odhalit i některé
chyby v modelu HumMod.
Spolu s americkými autory z soudíme, že zdrojové texty modelů, které
jsou podkladem lékařských simulátorů, by, jako výsledek teoretického studia
fyziologických regulací, měli být veřejně dostupné – pak se lze snadno
přesvědčit do jaké míry model odpovídá fyziologické realitě. Strukturu našeho
93
Jiří Kofránek
SĜHNODGDþDVSRXãWČþ
VLPXOiWRUX+XPPRG
]GURMRYp
WH[W\VLPXOiWRUX
WH[W\VLPXOiWR +XPPRG
Obrázek 12 – Po kliknutí na ikonku HumMod.exe překladač přeloží zdrojový text a spustí
vlastní simulátor. Simulátor HumMod je šířen jako open source, včetně zdrojových textů
modelu. Thomas Coleman vypracoval zváštní XML jazyk pro popis zdrojového textu modelu a rovnice modelu jsou rozprostřeny v 3235 XML souborech. I když je zdrojový text simulátoru i celý matematický model na jeho pozadí tímto způsobem nabízen jako „open
source“ (a uživatel si teoreticky může i model modifikovat), je orientace v matematických
vztazích prohlížením tisícovek vzájemně provázaných XML souborů poměrně obtížná
94
r
QHPView
Equations
Sp
l
an
ch
n
icV
ei
n
s
cula
Vas
nts
tme
par
m
Co
Obrázek 13 – Námi vytvořený vizualizační nástroj QHPView umožní zpřehlednit strukturu modelu QHP/HumMod, původně zapsaného ve více než třech tisícovkách XML souborů rozházených do stovek adresářů, v nichž rovnice a jednotlivé návaznosti nebyly na
první pohled zřetelné
modelu, který jsme nazvali „HumMod-Golem edition“ zveřejňujeme na
webových stránkách projektu (http://physiome.cz/Hummod) ve zdrojové formě
s definicí všech proměnných a všech rovnic. Na rozdíl od amerických kolegů
my svůj model implementujeme v jazyce Modelica, který umožňuje velmi
přehledně vyjádřit strukturu modelu [61].
Model HumMod jsme předělali a rozšířili především v oblasti modelování
přenosu krevních plynů a homeostázy vnitřního prostředí, zejména acidobazické rovnováhy - protože poruchy právě těchto subsystémů jsou časté právě v akutních medicíně, pro kterou je koncipován náš simulátor a výukové
simulační hry. Při modifikaci jsme mimo jiné vycházeli z našeho původního
komplexního modelu fyziologických regulací, který byl jádrem výukového
simulátoru Golem [37].
Ukázku hiearchické struktury modelu Hummod-Golem Edition zobrazují
Obrázky 14–20. Model umožňuje simulovat celou řadu fyziologických a patofyziologických dějů – selhávání jednotlivých orgánů a orgánových systémů a následné adaptační reakce organismu, vliv vybrané terapie, reakci na fyzickou
zátěž i adaptaci organismu na změnu některých vnější podmínek (např. reakci
na změny teploty).
Integrovaný model fyziologických systémů HumMod-Golem edition je
teoretickým podkladem námi vytvářeného lékařského výukového simulátoru
95
Jiří Kofránek
Obrázek 14 – Struktura modelu Hummod-Golem Edition.Model se sestává z kardiovaskulární komponenty (CVS), komponenty výživy a metabolismu, komponenty vodní
a osmotické homeostázy, komponenty proteinů, komponenty krevních plynů a acidobazické homeostázy, komponenty elektrolytové homeostázy, komponenty nervové regulace, komponenty hormonální regulace, komponenty vyhodnocování klinického stavu
pacienta a komponenty nastavení počátečního stavu a modelovaných scénářů. Všechny
komponenty jsou propojeny přes sběrnicové konektory
eGolem. Jeho další rozvoj a identifikace je ale pouze prvním druhem problémů,
který je třeba řešit. Druhým problémem je naprogramování vlastního
simulátoru jako výukové pomůcky. Našim cílem je zpřístupnit simulátor jako
výukovou pomůcku dosažitelnou pomocí internetu. Při její tvorbě využijeme
naši technologii tvorby webových simulátorů podrobněji popsanou v [41].
9. Od „umění“ k „průmyslu“
Již dávno pryč je doba etuziuastů, kteří na přelomu osmdesátých let v nadšení
nad novými možnostmi osobních počítačů vytvářeli první výukové programy.
Tvorba kvalitního výukového softwaru, který by dokázal využít potenciál,
který rozvoj informačních a komunikačních technologií přinesl, dnes nestojí na
píli a nadšení jednotlivců.
Je náročným a komplikovaným procesem, tvůrčího týmu odborníků různých
profesí: zkušených učitelů, jejichž scénář je základem kvalitní výukové aplikace,
systémových analytiků, kteří ve spolupráci s profesionály daného oboru
jsou odpovědni za vytvoření simulačních modelů pro výukové simulační
hry, výtvarníků, kteří vytvářejí vnější vizuální podobu simulátoru a konečně
informatiků (programátorů), kteří celou aplikaci „sešijí“ do výsledné podoby [36].
96
Obrázek 15 – Vnitřní struktura kardiovaskulární komponenty (třída CVS z předchozího
obrázku)
Obrázek 16 – Vnitřní struktura komponenty systémové cirkulace (třída SystemicCirculation z předchozího obrázku)
97
Jiří Kofránek
Obrázek 17 – Vnitřní struktura komponenty systémové periferní cirkulace (třída Peripheral
z předchozího obrázku)
Obrázek 18 – Vnitřní struktura komponenty splanchnické cirkulace (třída SplanchnicCirculation z předchozího obrázku)
98
Obrázek 19 – Vnitřní struktura komponenty gastrointestinální cévní rezistence (třída
GITtract z předchozího obrázku
Obrázek 20 – Vnitřní struktura komponenty počítající vliv stimulace alfa receptorů na
gastrointestinální vaskulární rezistenci (třída AlphaReceptors z předchozího obrázku)
99
Jiří Kofránek
Aby mezioborová spolupráce byla účinná, je zapotřebí pro každou etapu
vývoje mít k dispozici řadu vývojových nástrojů a metodologii, které práci
jednotlivých členů týmu usnadní a pomohou jim překonat mezioborové
bariéry. K vytvoření i ovládnutí těchto nástrojů je zapotřebí věnovat značné
úsilí, které se ale nakonec vyplatí.
Tvorba výukových programů tak získává stále více rysů inženýrské
konstrukční práce.
Literatura
[1.] Abram, S. R., Hodnett, B. L., Summers, R. L., Coleman, T. G., & Hester, R. L. (2007). Quantitative circulatory physiology. An integrative mathematical model of human mathematical model of human physiology for medical education. Advanced Physiology Education, 31, str. 202–210.
[2.] Amosov, N. M., Palec, B. L., Agapov, G. T., Ermakova, I. I., Ljabach, E. G., Packina,
S. A., a další. (1977). Těoretičeskoe issledovanie fyziologičeskich sistěm. Kiev: Naukova
Dumka.
[3.] Binstadt, E. S., Walls, R., White, B. A., Nadel, E. S., Takavesu, J. K., & Barker, T. D. (2006).
A comprehensive medical simulation education curriculum for emergency medicine
residents. Annals of Emergency Medicine, 49, str. 495–504.
[4.] Burkhoff, D., & Dickstein, M. L. (2003). The heart simulator. [Online] http://www.columbia.edu/itc/hs/medical/heartsim
[5.] Carnevale, N. T., & Hines, M. L. (2006). The Neuron book. Cambridge: Cambridge
University Press.
[6.] Cason, C. L., Kardong-Edgren, S., Cazzell, M., Behan, D., & Mancini, M. E. (2009). Innovations in basic life support education for healthcare providers: Improving competence
in cardiopulmonary resuscitation through self-directed learning. Journal for Nurses
in Staff Development, 25, str. E1–E13.
[7.] cellML. (2010). Description of Guyton 1992 Full cardiovascular circulation model. [Online] http://models.cellml.org/exposure/cd10322c000e6ff64441464f8773ed83/Guyton_
Model_1-0.cellml/view
[8.] Clay, A. S., Que, L., Petrusa, E. R., Sebastian, M., & Govert, J. (2007). Debriefing in the
intensive care unit: A feedback tool to facilitate bedside teaching. Critical Care
Medicine, 35, str. 738–754.
[9.] Coleman, T. G., & Randall, J. E. (1983). HUMAN. A comprehensive physiological model.
The Physiologist, 26, str. 15–21.
[10.] Coleman, T. G., & Summers, R. L. (1997). Using mathematical models to better understand integrative physiology. Journal of Physiology and Biochemistry, 53, str. 45–46.
[11.] Coleman, T. G., Hester, R. L., & Summers, R. L. (2010). Hummod model version 1.5.
[Online] http:/www.hummod.org.
[12.] Comenius, J. A. (1656). Schola Ludus, seu encyclopaedea viva. Sarospatak.
[13.] Day, R. S. (2006). Challenges of biological realism and validation in simulation-based
medical education. Artificial Inteligence in Medicine, 38, str. 47–66.
[14.] de Freitas, S. I. (2006). Using games and simulations for supporting learning. Learning,
Media and Technology, 31, str. 343–358.
100
[15.] Dunkin, B., Adrales, G. L., Apelgren, K., & Mellinger, J. D. (2007). Surgical simulation:
a current review. Surgical endoscopy, 21, str. 357–366.
[16.] Ellaway, R. H., Kneebone, R., Lachapelle, K., & Topps, D. (2009). Practica continua:
Connecting and combining simulation modalities for integrated teaching, learning and
assessment. Medical Teacher, 31, str. 725–731.
[17.] Fritzon, P. (2003). Principles of object-oriented modeling and simulation with Modelica
2.1. Wiley-IEE Press.
[18.] Gondžilašvili, J., Kofránek, J., Pokorný, Z., & Brelidze, Z. (1987). Matěmatičeskoje modělirovanie intěnsivnosti obmennych processov pri različnych uslovijach vněšněj sredy.
Věstnik Akaděmii Medicinskich Nauk SSSR, str. 81-87.
[19.] Guyton, A. C., Coleman, T. G., & Grander, H. J. (1972). Circulation: Overall regulation.
Ann. Rev. Physiol., 41, str. 13-41.
[20.] Guyton, A. C., Jones, C. E., & Coleman, T. G. (1973). Circulatory physiology: cardiac output and Its regulation. Philadelphia, London, Toronto: WB Saunders Company.
[21.] Guyton, A. C., Taylor, A. E., & Grander, H. J. (1975). Circulatory physiology II. Dynamics
and control of the body fluids. Phildelphia, London, Toronto: W. B. Saunders.
[22.] Hall, J. E. (2004). The pioneering use of system analysis to study cardiac output regulation. Am.J.Physiol.Regul.Integr.Comp.Physiol., 287, str. R1009–R1011.
[23.] Hammond, J., Berman, M., Chen, B., & Kushins, L. (2002). Incorporation of a computerized human patient simulator in critical care training: A preliminary report. The Journal
of Trauma, Injury, Infection, and Critical Care, 53, str. 1064–1067.
[24.] Hester, R. K., Summers, R. L., Ilescu, R., Esters, J., & Coleman, T. (2009). Digital Human
(DH): An integrative mathematical model of human physiology. Proceedings of MODSIM World Conference NASA/CP-2010-216205 (str. 129–134). NASA.
[25.] Hester, R. L., Coleman, T., & Summers, R. L. (2008). A multilevel open source model
of human physiology. The FASEB Journal, 22, str. 756.
[26.] Hester, R. L., Ilescu, R., Summers, R. L., & Coleman, T. (2010). Systems biology and integrative physiological modeling. Journal of Physiology, published ahead of print December
6, 2010, doi:10.1113/jphysiol.2010.201558, str. 1–17.
[27.] Hines, M. L., & Carnevale, N. T. (2001). NEURON: a tool for neuroscientists. The Neuroscientist , 7, str. 123–135.
[28.] Ikeda, N., Marumo, F., & Shirsataka, M. (1979). A Model of overall regulation of body
fluids. Ann. Biomed. Eng. , 7, str. 135–166r
[29.] Jones, A., & Lorraine, S. (2008). Can human patient simulator be used in physiotherapy
education? The Internet Journal of Allied Health Sciences and Practice, 5, str. 1–5.
[30.] Kobayashi, L. K., Patterson, M. D., Overly, F. L., Shapiro, M. J., Williams, K. A., & Jay, G. D.
(2008). Educational and research implications of portable human patient simulation in
acute care medicine. Academic Emergency Medicine, 15, str. 1166–1174.
[31.] Kofránek, J. (1980). Modelování acidobazické rovnováhy krve. Disertační práce. Praha:
Univerzita Karlova v Praze, Fakulta všeobecného lékařství.
[32.] Kofránek, J., & Rusz, J. (2007). Od obrázkových schémat k modelům pro výuku. Československá fyziologie, 56, str. 69–78.
[33.] Kofránek, J., & Rusz, J. (2010). Restoratiuon of Guyton diagram for regulation of
the circulation as a basis for quantitative physiological model development.
Physiological Research, 59, str. 891–908, 2010
101
Jiří Kofránek
[34.] Kofránek, J., Andrlík, M., & Kripner, T. (2005). Biomedical educations with Golem.
V V. Mařík, P. Jacovkis, O. Štěpánková, & J. Kléma (Editor), Interdisciplinary Aspects
of Human-Machine Co-existence and Co-operation. (str. 142–151). Praha: Czech
Technical University in Prague.
[35.] Kofránek, J., Andrlík, M., & Kripner, T. (2003). Virtual patient behind the screen using
computer simulator GOLEM. V D. D. Feng, & E. R. Carson (Editor), Proceedings volume
from the 5th IFAC Symposium, Melbourne 2003., (str. 479–485).
[36.] Kofránek, J., Andrlík, M., Kripner, T., & Mašek, J. (2002). From art to industry in design
of biomedical simulators. Experience of the Golem simulator project. V M. Callaos,
G. Whymark, & W. Lesso (Editor), The 6th World Multiconference on Systemics, Cybernetics and Informatics. Orlando, Florida, USA. Proceedings. Volume XIII. Concepts and
Applications of Systemics, Cybernetics and Informatics III., (str. 249–256).
[37.] Kofránek, J., Andrlík, M., Kripner, T., & Mašek, J. (2002). Simulation chips for GOLEM –
multimedia simulator of physiological functions. V J. G. Anderson, & M. Kapzer (Editor),
Simulation in the Health and Medical Sciences 2002. (str. 159–163). San Diego: Society
for Computer Simulation International, Simulation Councils.
[38.] Kofránek, J., Anh Vu, L. D., Snášelová, H., Kerekeš, R., & Velan, T. (2001). GOLEM – Multimedia simulator for medical education. V L. Patel, R. Rogers, & R. Haux (Editor), MEDINFO 2001, Proceedings of the 10th World Congress on Medical Informatics. 1042–1046.
London: IOS Press.
[39.] Kofránek, J., Brelidze, Z., & Gondžilašvili, J. (1984). Modělirovanie dinamiki gazoobmena
i jego analiz posredstvom imitacionnych eksperimentov na EVM. V Voprosy biologičeskoj i medicinskoj techniki. (str. 90-107). Tbilisi: Mecniereba.
[40.] Kofránek, J., Maruna, P., Andrlík, M., Stodulka, P., Kripner, T., Wünsch, Z., a další. (2004).
The design and development of interactive multimedia in educational software with
simulation games. Proceedings of the Seventh IASTED International Conference on
Computer Graphics And Imaging. (str. 164–170). Anaheim, Calgary, Zurich: The International Assotioatioon of Science and Technology for Development.
[41.] Kofránek, J., Mateják, M., & Privitzer, P. (2010). Web simulator creation technology. Mefanet Report, 3, str. 32–97. Práce je dostupná na adrese http://physiome.cz/references/
mefanetreport03.pdf.
[42.] Kofránek, J., Mateják, M., Matoušek, S., Privitzer, P., Tribula, M., & Vacek, O. (2008).
School as a (multimedia simulation) play: use of multimedia applications in teaching
of pathological physiology. MEFANET 2008. CD ROM Proceedings, ISBN 978–80–7392–
065–4 (kofranek.pdf: str. 1–26). Brno: Masarykova Univerzita, Brno.
[43.] Kofránek, J., Matoušek, S., Andrlík, M., Stodulka, P., Wünsch, Z., Privitzer, P., a další.
(2007). Atlas of physiology - internet simulation playground. V B. Zupanic, R. Karba, & s.
Blažič (Editor), Proceedings of the 6th EUROSIM Congress on Modeling and Simulation,
Vol. 2. Full Papers (CD ROM) (MO–2–P7–5: str. 1–9). Ljubljana: University of Ljubljana.
[44.] Kofránek, J., Munclinger, M., Fusek, M., Gondžilašvili, J., Brelidze, Z., Šerf, B., a další.
(1988). Evaluation of cardiorespiratory functions during heart catheterisation throught
simulation model evaluation. V E. R. Carson, P. Kneppo, & P. Krekule, Advances in biomedical measurement (str. 311-319). New York: Plenum Press.
[45.] Kofránek, J., Pokorný, Z., Wünsch, Z., Brelidze, Z., Gondžilašvili, J., & Verigo, V. (1982).
Kislotno-ščoločnaja reguljacija vnutrennej sredy organizma. V M. Kotva (Editor), Proceedings of the symposium Simulation of Systems in Biology and Medicine, Prague 1982.
(str. B13–C4). Praha: Dům Techniky, ČSVTS.
102
Matěmatičeskaja moděl gazoobměna v alveoljach i tkaňach kak časť obščej moděli
vnutrenněj sredy organizma. V M. Kotva (Editor), Proceedings of the symposium
Simulation of Systems in Biology and Medicine, Prague 1982. (str. C11–D2). Praha: Dům
Techniky, ČSVTS.
Moděl vodnosolevogo osmotičeskogo i kislotnoščoločnogo gomeostazisa vnutrenněj
sredy. V M. Kotva (Editor), Proceedings of the symposium Simulation of Systems in Biology and Medicine, Prague 1982. (str. C11–D2). Praha: Dům techniky, ČSVTS.
[48.] Kofránek, J., Privitzer, P., Matoušek, S., Vacek, O., & Tribula, M. (2009). Schola Ludus
in modern garment: use of web multimedia simulation in biomedical teaching. Proceedings of the 7th IFAC Symposium on Modelling and Control in Biomedical Systems,
Aalborg, Denmark, August 12-14, 2009, (str. 425–430).
[49.] Kofránek, J., Rusz, J., & Matoušek, S. (2007). Guytons diagram brought to life – from graphic chart to simulation model for teaching physiology. V P. Byron (Editor), Technical
Computing Prague 2007. Full paper CD–ROM proceedings. (str. 1–13). Praha: Humusoft
s.r.o. & Institute of Chemical Technology.
[50.] Kofránek, J., Snášelová, H., Anh Vu, L. D., & Svačina, Š. (2001). Multimedia simulation
games in medical education. V E. J. Kerckhoffs, & M. Šnorek (Editor), Proceedings
of European Simulation Multiconference, Prague 2001. (str. 995–999). Erlagen: SCS
Publishing House.
[51.] Kofránek, J., Velan, T., & Janicadis, P. (2000). Golem – Computer simulator of body fluids
and acid-base disorders as an effitient teleeducation tool. Proceedings of IFAC Symposium, Karlsburg, Greifswald, 30.3.- 1.4.2000. (str. 233–242). Oxford: Pergamon, Elsevier
Science.
[52.] Kofránek, J., Velan, T., & Kerekeš, R. (1997). Golem: a computer simulator of physiological
functions as an efficient teaching tool. V Y. M. Theo, W. C. Wong, & T. J. Okeu (Editor)
Legacy for 21 Century. Proceedings of the World Congress on System Simulation.
(str. 407–411). Singapore: IEE Singapore Section.
[53.] Kofránek, J., Velan, T., Janicadis, P., & Kerekeš, R. (2001). Diagnostic and treatment of
virtual patients with Golem – multimedia simulator of physiological functions. V J. G.
Anderson, & M. Kaptzer (Editor), Simulation in the Health and Medical Sciences, 2001.
(str. 157–164). San Diego: Society for Computer Simulation International, Simulation
Councils.
[54.] Kofránek, J., Vrána, C., Velan, T., & Janicadis, P. (2001). Virtual patients on the net – Multimedia simulator Golem. V L. Badernstern, & E. Ossinnilsson (Editor), Proceedings of the
European Conference on e-Learning in a Lifelong Learning Perspective. (str. 228–238).
Lund: Lund University.
[55.] Kössi, J., & Luostarinen, M. (2009). Virtual reality laparoscopic simulator as an aid
in surgical resident education two years experience. 28, str. 48–54.
[56.] Lane, J. L. (2001). Simulation in medical education: a review. Simulation&Gaming,
32, str. 297–314.
[57.] Lehmann, E. D., Tarin, C., Bondia, J., Teufel, E., & Deutsch, T. (2007). Incorporating
a generic model of subcutaneous insulin absorption into the AIDA v4 diabetes
simulator. Journal of Diabetes Science and Technology, 1, str. 780–793.
[58.] Lighthall, G. K. (2007). The use of clinical simulation systems to train critical care physicians. Journal of Intensive Care Medicine, 22, str. 257–269.
103
Jiří Kofránek
[59.] Liu, A., Tendick, F., Cleary, K., & Kaufmann, C. (2003). A Survey of surgical simulation:
applications technology, and education. Presence, 12, str. 559–613.
[60.] Mangourova, V., Ringwood, J., & Van Vliet, B. (2010). Graphical simulation environments for modelling and simulation of integrative physiology. Computer Methods and
Programs in Biomedicine , str. Article in press, doi:10.1016/j.cmpb.2010.05.001, 10 str.
[61.] Mateják, M., Kofránek, J. (2010). Rozsáhlý model fyziologických regulací v Modelice. Medsoft, 2010, sborník příspěvků, Zeithamlová, M. (Ed)., ISSN 1803–8115, Creative
Connections, Praha 2010, str. 126–146.
[62.] McGaghie, W. C., Siddall, V. J., Mazmanian, P. E., & Myers, J. (2009). Lessons for continuing medical education from simulation research in undergraduate and graduate
medical education. Chest, 165, str. 625–685.
[63.] Meyers, R. D., & Doherty, C. L. (2008). Web-Human physiology teaching simulation
(Physiology in health, disease and during therapy). [Online] http://placid.skidmore.edu/
human/index.php.
[64.] Montani, J. P., Adair, T. H., Summers, R. L., Coleman, T. G., & Guyton, A. C. (1989). A simulation support system for solving large physiological models on microcomputers.
Int. J. BIomed. Comput. , 24, str. 41-54.
[65.] Reed, K., & Lehmann, E. D. (2005). Diabetes website review: www. 2aida. org. Diabetes
Technology & Therapeutics, str. 741–754.
[66.] Rodriguez-Barbero, A., & Lopez-Novoa, J. M. (2009). Teaching integrative physiology
using the quantitative circulatory physiology model and case discussion method: evaluation of the learning experience. Advances in Physiology Education, 32, str. 304–311.
[67.] Rosen, K. R. (2008). The history of medical simulation. Journal of Critical Care, 23,
str. 157–166.
[68.] Satava, R. M. (2008). Historical review of surgical simulation— a personal perspective.
World Journal of Surgery, 32, str. 141–148.
[69.] Sawyer, T., Hara, K., Thompson, M. W., Chan, D. S., & Berg, B. (2009). Modification of the
Laerdal SimBaby to Include an Integrated Umbilical Cannulation Task Trainer. Simulation in Healthcare , 4, str. 174–178.
[70.] Sethi, A. S., Peine, W. J., Mohammadi, Y., & Sundaram, C. P. (2009). Validation of a Novel
Virtual Reality Robotic Simulator. Journal of Endourology, 23, str. 503-508.
[71.] Siggaard-Andersen, M., & Siggaard-Andersen, O. (1995). Oxygen status algorithm, version 3, with some applications. Acta Anaesth Scand, 39, Suppl 107, str. 13–20.
[72.] Silbernagl, S., & Despopoulos, A. (2003, české vydání 2004). Tashenatlas der Physiologie;
české vydání: Atlas fyziologie člověka (6. vyd.). Stuttgart: Georg Thieme Verlag, české
vydání Praha: Grada.
[73.] Silbernagl, S., & Lang, F. (1998, české vydání 2001). Taschenatlas der Pathophysiologie.
Stuttgart: Georg Thieme Verlag, české vydání Praha: Grada.
[74.] Thomas, R. S., Baconnier, P., Fontecave, J., Francoise, J., Guillaud, F., Hannaert, P.,
a další. (2008). SAPHIR: a physiome core model of body fluid homeostasis and blood
pressure regulation. Philosophical Transactions of the Royal Society, 366, str. 3175–3197.
[75.] Tiller, M. (2001). Introduction to physical modeling with Modelica. Norwell, Massachusetts, USA: Kluwer Academic Publisher.
[76.] Van Oosterom, A., & Oostendorp, T. F. (2004). ECGSIM: an interactive tool for studying
the genesis of QRST waveforms. Heart, 9, str. 165–168.
104
[77.] Van Vliet, B. N., & Montani, J. P. (2005). Circulation and fluid volume control. V Integrative Physiology in the Proteomica and Post Genomics Age. (str. 43–66). Humana Press.
[78.] Verigo, V. V. (1987). Systěmnye metody kometody v kosmičeskoj medicine i biologii.
(NASA technical translation NASA TT-20291: Systems methods in space biology and
medicine). Problemy kosmičeskoj biologii , 55, str. 1–216.
[79.] Wayne, D., Didwania, A., Feniglass, J., Fudala, M. J., Barsuk, J. H., & McGaghie, W. C.
(2008). Simulation-based education improves quality of care during cardiac arrest
team responses at an academic teaching hospital. Chest, 133, str. 56–61.
[80.] White, R. J., & Phee, J. C. (2006). The Digital Astronauts: an integrated modeling and
database system for space biomedical research and operations. Acta Astronautica , 60,
str. 273–280.
[81.] Wünsch, Z. (1974). Biokybernetika ve výuce fyziologie. Československá fyziologie,
str. 569–573.
[82.] Wünsch, Z. (1969). Minimum lékařské kybernetiky (Základní koncepce, metodiky
a způsoby aplikací). Praha: Učební texty vysokých škol, UK, Fakulta všeobecného
lékařství, SPN.
[83.] Wünsch, Z., & Trojan, S. (1986). Koncepce výuky biokybernetiky v kurzu fyziologie.
Československá fyziologie, 35, str. 385–386.
Poděkování
Práce na tvorbě výukových lékařských simulátorů je mimo jiné podporována
z projektu SVV-2010-254260507 a projektem MPO FR—TI3/869.
Kontakt:
MUDr. Jiří Kofránek, CSc.
Ústav patologické fyziologie 1.LF UK a VFN
Praha , U nemocnice 5, 128 53 Praha 2
tel: +420 777-68-68-68
e-mail: [email protected]
105

KOMPLEXNÍ MODELY FYZIOLOGICKÝCH SYSTÉMŮ JAKO

Transkript

Podobné dokumenty

Komplexní modely fyziologicKých systémů jaKo teoreticKý podKlad

pdf

MUDr. Jiří Kofránek, CSc.

Untitled - Creative connections

medsoft 2016 - Creative connections

medsoft 2008 - Laboratoři biokybernetiky a počítačové podpory výuky

LÉKAŘSKÉ SIMULÁTORY Jiří Kofránek, Tomáš Kulhánek

integrátor RVM

MOdELOvÁNÍ aCIdObaZICKÉ ROvNOvÁhy Jiří

ELEKTRONICKÉ ARCHIVY (REPOZITÁŘE) BIOMEDICÍNSKÝCH

Akauzální modelování - nový přístup pro tvorbu simulačních her

Výhybky s obloukovou částí